Aug, 2020

一种基于边界的广义零样本学习外域分类器

PDF
TL;DR本文提出了一种基于边界的 Out-of-Distribution 分类器来解决 Generalized Zero-Shot Learning 问题，其利用共享的潜在空间，在单位超球上对视觉特征和语义属性的潜在分布进行按类别对齐，并通过类中心和边界将未见过的样本与已见过的进行分离，经验证在常见的五个基准数据集上，该方法超越了现有方法的性能表现。
generalized zero-shot learningsupervised classificationout-of-distribution classifierlatent spacebenchmark datasets
发现论文，激发创造
  • 广义零样本学习方法综述

    本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了 GZSL 可用的基准数据集和应用以及未来研究方向。

    Nov, 2020

  • 适应性置信度平滑技术用于广义零样本学习

    本文介绍了一种基于概率的方法，将分类器分为三个组件，其中包括一个门控模型、一个零样本学习专家和一个针对已知类别的专家模型，以实现广义零样本学习（GZSL）。我们的方法解决了几个主要问题，包括如何为未知类别提供精确的门控概率估计和如何在其领域之外的样本中使用专家预测。我们测试的结果表明，我们的方法 COSMO 在四个标准 GZSL 基准数据集上表现良好，并且通常优于现有 GZSL 模型。

    Dec, 2018

  • 泛零样本学习的语义分离

    本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。

    Jan, 2021

  • 基于熵的不确定性校准用于广义零样本学习

    提出一种新的框架，利用双重变分自编码器和三元组损失学习区分性潜在特征，并应用基于熵的校准来最小化见和未见类之间重叠区域的不确定性，在六个基准数据集上进行的实验表明，该方法胜过现有的最先进方法。

    Jan, 2021

  • 广义零样本学习在野外物体识别中的实证研究与分析

    本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的 generalized zero-shot learning 的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于 GZSL 的重要性。

    May, 2016

  • 多模态循环一致的广义零样本学习

    本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

    Aug, 2018

  • 泛零样本行为识别的非分布检测

    本文提出了一种基于超出分布检测器的广义零样本学习框架，以解决零样本行为识别中的问题。我们使用生成式对抗网络合成了新的动作类别特征，并将其用于训练检测器。实验证明，该方法在三个数据集上的性能优于基准模型（f-CLSWGAN），分类准确率分别提高了 7.0％、3.4％和 4.9％。

    Apr, 2019

  • 通过过完备分布实现广义零样本学习

    该研究提出了一种通过使用 CVAE 生成超完备分布并在其上使用 OBTL 和 CL 来改进 DNN 在 ZSL 设置下的性能的框架，并在 SUN、CUB 和 AWA2 三个公开基准数据库上进行了评估，结果表明生成超完备分布并迫使分类器从重叠到非重叠分布的转换函数可以提高对已知和未知类别的性能。

    Apr, 2020

  • 减少但更好：通过从冗余的 LLM 语义中进行内在学习，实现对未知领域的泛化零样本学习

    我们提出了一种名为 Meta Domain Alignment Semantic Refinement (MDASR) 的方法，通过两个部分 Inter-class Similarity Alignment (ISA) 和 Unseen-class Meta Generation (UMG)，在跨领域广义零样本学习中解决了信息不对称问题，有效地将冗余的语义空间与共同特征空间对齐。

    Mar, 2024

  • 通用零样本识别的数据分布提取生成模型

    通过引入端到端生成式 GZSL 框架 D^3GZSL 并采用 ID^2SD 和 O^2DBD 两个核心模块，我们解决了 GZSL 模型中偏向于已见数据的偏见问题，并通过将已见和合成的未见数据作为内分布和外分布数据分别对待，以实现模型的更好平衡。D^3GZSL 在嵌入和标签空间中对齐教师和学生的结果，增强了学习的一致性，并且通过在每个批次样本中引入低维度的外分布表示，捕捉了已见和未见类别之间的共享结构。我们的方法在已有的 GZSL 基准测试中展示了其有效性，并可以无缝地集成到主流的生成式框架中。大量实验一致表明，D^3GZSL 提升了现有生成式 GZSL 方法的性能，凸显了其优化零样本学习实践的潜力。

    Feb, 2024