ICLRSep, 2020

基于分组监督学习的零样本合成

PDF
TL;DR本文提出了一种基于 Group-Supervised Learning (GSL) 的学习框架来解决神经网络关于视觉对象其他属性的 “想象” 问题，可以将输入分解为可替换的组件表示，并重新组合为新样本，从而实现高质量的零样本合成，并在相关基准测试中证明了 GZS-Net 的优越性。
visual cognitionartificial neural networksgroup-supervised learningdisentangled representationzero-shot synthesis
发现论文，激发创造
  • 使用 GAN 进行视觉数据合成，用于零样本视频分类

    本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题，并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力，实验结果表明这种方法可以显著提高零样本视频分类的性能。

    Apr, 2018

  • 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

  • 基于视觉语义嵌入的广义零样本识别

    本文提出了一种新颖的广义零样本学习（GZSL）方法，它对训练期间的未见图像和未见语义向量具有不可知性。通过提出一种视觉实例的低维嵌入来打破视觉 - 语义间隙，并借助一个新的视觉神谕来量化噪声语义数据的影响，以提高准确性。在一系列数据集上用图模型进行推理的实验结果显示，该方法在语义和视觉监督下均明显优于现有技术。

    Nov, 2018

  • 广义零样本学习的合成样本选择

    本文提出了一种基于强化学习进行合成特征选择的新方法，该方法利用 Transformer-based selector 根据验证分类精度选择特征，以此作为奖励，实验结果表明它比现有的特征生成方法表现更好。

    Apr, 2023

  • 从零样本学习到传统监督分类：未见过的视觉数据合成

    该研究提出了一种新的零样本学习框架，并基于 Unseen Visual Data Synthesis 算法，利用语义属性有效地合成未见过的视觉特征，以解决实际应用中缺乏带标注样本的问题，并证实其能够显著提高现有技术水平。

    May, 2017

  • 零样本学习的分类器和样本合成

    本文提出了两个使用零样本学习（ZSL）系统，该系统使用流形嵌入和自动生成视觉分类器来解决具有未知类的任务，并且在五个类视觉识别基准数据集上表现出卓越的性能。

    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

  • 重新思考生成式零样本学习：一种基于集成学习的视觉图块识别方法

    使用生成模型从文本描述中生成区域特征以及使用加权投票策略的修正。

    Jul, 2020

  • 基于渐进语义引导的视觉变形器用于零样本学习

    我们提出了一种用于零样本学习的渐进式语义引导视觉 Transformer（ZSLViT），通过语义嵌入令牌学习改进视觉 - 语义对应关系，发现语义相关的视觉令牌，并且通过弱语义 - 视觉对应关系融合来舍弃与语义无关的视觉信息，从而在零样本学习中实现准确的视觉 - 语义交互作用，我们的 ZSLViT 在 CUB、SUN 和 AWA2 等三个常用基准数据集上取得了显著的性能提升。

    Apr, 2024

  • 对比嵌入用于广义零样本学习

    提出了一种混合零样本学习框架，将生成模型与嵌入模型相结合，采用对比嵌入技术进行分类，解决了数据不平衡问题，实验结果表明，在五个基准数据集上，该方法优于现有技术。

    Mar, 2021