Sep, 2020

基于知识引导的多标签少样本学习在通用图像识别中的应用

PDF
TL;DR本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。
multi-label analysisdeep neural networksknowledge graphimage recognitionfew-shot learning
发现论文，激发创造
  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • 学习语义特定图表示用于多标签图像识别

    提出了一种 Semantic-Specific Graph Representation Learning (SSGRL) 的框架，包含两个重要模块：语义解耦模块和语义交互模块，其中语义解耦模块结合类别语义以指导学习语义特定表示，语义交互模块则将这些表示与基于统计标签共现构建的图相互关联，可以通过图传播机制来探索它们的相互作用，通过大量的公共基准测试，证明 SSGRL 框架优于现有的最新方法。

    Aug, 2019

  • 多标签图聚合知识的多标签少 / 零样本学习

    这篇研究提出了一种基于多种语义信息的多图聚合模型以增强多标签零 / 少样本文档分类效果，并在多个数据集上进行了实验验证。

    Oct, 2020

  • GKGNet: 组群 K 最近邻基于图卷积网络的多标签图像识别

    我们提出了第一个完全基于图卷积的模型，Group K-nearest neighbor based Graph convolutional Network (GKGNet)，该模型能够在图结构中灵活统一地建模语义标签嵌入和图像补丁之间的连接，通过动态图构建和信息传递实现了在多标签数据集上的最先进性能，同时显著降低计算成本。

    Aug, 2023

  • 使用结构化知识图谱进行多标签零样本学习

    本文提出了一种新的深度学习架构，用于多标签零样本学习，在这种学习中，可以为每个输入实例预测多个看不见的标签。研究人员提出了一个框架，结合了知识图谱和语义标签空间信息传播机制进行视觉推理，以解决多标签分类和 ML-ZSL 任务。与现有技术相比，该方法的性能相当或有所提高。

    Nov, 2017

  • 关系推广少样本学习

    本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

    Jul, 2019

  • 基于知识嵌入的细粒度图像识别表征学习

    本文提出了一个知识图谱和门控图神经网络相结合的框架，名为知识嵌入表示学习框架，用于处理细粒度图像识别问题，并在广泛使用的 Caltech-UCSD 鸟数据集上进行了大量实验，证明了该框架超越现有的最先进方法。

    Jul, 2018

  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • 少样本知识图谱补全

    本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。

    Nov, 2019

  • 基于显著性引导的少样本细粒度视觉识别互学习网络

    本文提出了一种名为 SGML-Net 的框架，用于 few-shot 细粒度视觉识别。它通过利用显著性检测模型强调每个子类别的关键区域，提供了代表性学习的强大先验知识，并在互相学习的范式下实现了有效的转移。实证评估表明，所提出的方法具有优越的性能。

    May, 2023