广义零样本学习方法综述
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
本研究提出了一种新的在线学习方法,旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战,该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来,并在五个基准数据集上表现出更好的泛化能力。
Mar, 2022
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
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
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
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
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
本文提出了一种新的基于语义特征提取的广义零样本学习(SE-GZSL)技术,使用包含仅属性相关信息的语义特征来学习图像和属性之间的关系,从而可以消除由图像特征中包含的与属性无关的干扰信息,通过使用提出的互信息损失和相似性损失函数,证明了该 SE-GZSL 技术在各种数据集中均优于传统的 GZSL 方法。
Dec, 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
本文提出了一种新的 Transferable Contrastive Network (TCN) 方法,旨在从源图像中将知识传输到目标类中,以提高 GZSL 识别的鲁棒性。实验证明,该方法优于现有方法。
Aug, 2019