我们提出了一种基于边界的原型对比学习嵌入网络来提高嵌入空间中表示的质量,并提出了一种实例自适应对比损失来实现未知标签的广义表示,实验表明我们的方法在三个基准数据集上优于现有技术,并在广义零样本学习设置下始终获得最佳的未知性能。
Sep, 2023
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
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
提出一种新的框架,利用双重变分自编码器和三元组损失学习区分性潜在特征,并应用基于熵的校准来最小化见和未见类之间重叠区域的不确定性,在六个基准数据集上进行的实验表明,该方法胜过现有的最先进方法。
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
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
本文针对零样本学习中的交叉域匹配问题,详细探讨优秀的 embedding 空间应满足的两个标准:类内紧度和类间可分性,并提出了一种基于两个分支网络的方法来同时映射语义描述和视觉样本到 joint 空间,并在其中强制要求视觉嵌入与类级语义嵌入相同,同时实现区分可训练分类器,实现跨未知类别输入的优化过程。此外,我们还扩展了我们的方法来处理 ZSL 中的模型偏差问题,并在五个标准数据集上获得了卓越的性能。