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
通过创新性的编码器和组合损失函数,本论文介绍了一种双重策略来解决广义零样例学习中的泛化差距,并提出了一套新的评估指标,以更详细地评估结果的可信度和可复现性。
Dec, 2023
本文研究了广义零样学习问题,提出了一种新的模型联合了三种不同的方法:视觉 -> 语义映射,语义 -> 视觉映射和度量学习,并且将它们统一在一个框架内,最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性,而且在分类未知类别的图像上性能也比现有的最先进模型要更好。
Nov, 2018
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
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
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