零样本学习中对抗鲁棒性的深入探究
本文针对图像识别中常用的零样本学习(ZSL)模型的数据偏移容错问题,提出了几组解决方案,并通过新的数组合和发现的基于防御方法建立了新的衡量标准。此外,本文还提出了三组新的 ZSL 污染鲁棒性数据集,并在数据集特征、类别平衡等方面对方法的有效性进行了详细分析。
Jan, 2022
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
零样本学习(ZSL)通过从已见类别中获取的知识(如视觉和语义关系)进行泛化,旨在识别未见类别,但常用的图像增强技术可能对 ZSL 产生负面影响,我们提出一种利用对抗样本的新型 ZSL 方法来解决语义扭曲问题,在三个著名的零样本基准数据集上进行了综合实验,证明了对抗样本方法在 ZSL 和广义零样本学习(GZSL)场景中的有效性。
Aug, 2023
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
本文主要探讨了当前零样本学习(ZSL)模型在 Imagenet 基准测试中的不足之处,提出了基准测试质量不高的原因,并分析了影响 ZSL 模型准确性的不同因素。进一步介绍了 ZSL 数据集中的结构偏见,并详细阐述了半自动构建新基准的方法,以应对这些缺陷。
Apr, 2019
本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习,基于这个方法,本文在 CUB 和 SUN 数据集上取得了比强基线更好的结果。
Oct, 2020
通过本体论知识表示和语义嵌入,以更丰富和竞争的先验知识建模 ZSL 的类间关系,并使用生成对抗网络(GANs)开发了一种生成 ZSL 框架,以解决已知类和未知类之间的数据不平衡问题。
Feb, 2021
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
本文针对广义零样本学习领域内的生成模型方法进行了探究和拆解,并提出了基于类级别和实例级别分布的属性泛化及部分偏置数据的独立分类器学习方法。实验证明本文提出的方法在公共数据集上性能优于当前最先进算法,同时该方法即使没有生成模型仍然有效,这是对生成 - 分类器结构的进一步简化。
Apr, 2022
在这份研究中,我们提出了一种创新的 SG-ZSL 范式,旨在解决数据隐私和模型版权等问题,该范式通过引入教师模型、学生模型和连接两者的生成器来促进高效协作,无需交换模型或敏感数据。在教师模型的指导下,学生模型通过匹配教师模型的性能并探索教师未涵盖的领域来实现训练,通过白盒和黑盒两个不同的安全级别训练协议,实现了隐私与性能之间的平衡,并在 ZSL 和 GZSL 任务中持续取得优越的表现,尤其在白盒协议中。我们在不同设置下进行了全面评估,证明了其在各种情况下的鲁棒性和效率。
Mar, 2024