ICMLOct, 2020

零样本学习 (ZFS)：利用局部组成表示从头开始学习

PDF
TL;DR本文提出了一种更具挑战性的零样本学习方法，即从零开始的零样本学习（ZFS），该方法明确禁止使用在其他数据集上微调过的编码器，并强调了本地信息和组合表示的重要性。
发现论文，激发创造
  • 复合式零样本识别的因果视角

    描述了一种利用因果思想构建复合泛化的方式，并建议将零样本推理视为查找 “哪种干预导致了图像？”; 提出了一种因果启发的嵌入模型，该模型从相关（混淆）训练数据中学习可视对象的基本部分的分解表示，用于预测属性 - 对象对的新组合。 在两个数据集上进行评估，结果比强基准方法有所改善。

    Jun, 2020

  • 零样本学习中的局部性和组合性

    本文探讨了零样本学习中代表性学习时的地域性和组成性，并证明了这些属性的重要性与泛化性相关。此外，该研究也证明了在未通过不同数据集（如 ImageNet）进行预训练的情况下学习代表性的可行性。因此，未来的代表性学习研究应着重于更加关注本地化特征的模型。

    Dec, 2019

  • 生成用于零样本分类的视觉表征

    本文面向学习图像分类器的任务，并针对一些分类仅由语义描述（如视觉属性），而其他分类也由实例图像定义的情况下，提出了一种 Zero-Shot classification task (ZSC) 的方法。旨在通过生成模型和有监督学习方法，有效地解决这一问题，实验证明该方法在 ZSC 和广义 ZSC（GZSC）方面均取得了最新的成果。

    Aug, 2017

  • 零样本学习的合成分类器

    通过在语义空间和模型空间中相互协作的 “幻影” 对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

    Mar, 2016

  • 强监督下的多线索零样本学习

    利用多个文本来源和语义部分注释来提供更强的监督辅助信息，达到零样本识别和检索的目标。

    Mar, 2016

  • 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

  • 基于数据无关的广义零样本学习

    基于 CLIP 基类分类器的无数据零样本学习方法提出了一个通用框架，该框架包含三个主要组成部分：基于 vMF 分布建模基类数据的虚拟特征恢复、特征 - 语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型，可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义 ZSL 基准和 11 个基类到新类别 ZSL 基准上进行了评估，结果显示了该方法的优越性和有效性。

    Jan, 2024

  • 用潜在嵌入反馈和鉴别特征进行零样本分类

    本研究提出了一种基于语义一致性的零样本学习框架，在训练、特征合成和分类的所有阶段都强制执行语义一致性，并采用反馈循环来迭代地优化生成的特征，实验证明该方法在六个零样本学习基准任务上表现优异。

    Mar, 2020

  • 跨领域多类别和多标记零样本学习

    本文讨论了两种与传统方法相关的工作：利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。

    Mar, 2015

  • 遥感影像中的细粒度物体识别与零样本学习

    研究了一种基于卷积神经网络的零迁移学习模型，该模型利用辅助信息学习一种兼容性函数，实现对未看到类别的识别，并对通过多种辅助信息对新数据集进行了实验验证。

    Dec, 2017