May, 2021

语义多样性学习用于零样本多标签分类

PDF
TL;DR该研究介绍一种用于多标签零样本学习的神经网络模型训练方法，该方法使用具有主要嵌入向量的嵌入矩阵并在训练期间加权损失函数以鼓励嵌入矩阵多样化，以提高基于标签的图像检索的零样本模型的质量。该方法在多个常见数据集（NUS-Wide，COCO， Open Images）上实现了 SoTA 的结果。
neural networkmulti-label zero-shot learningembedding matrixsemantic diversityimage retrieval
发现论文，激发创造
  • 跨域多标签零样本学习

    本文提出了一种多标签零样本学习的框架，旨在解决测试时如何利用多标签相关性的挑战，并通过实验表明，所提出的深度回归模型和基于语义词向量的零样本学习算法，以及转导式学习策略，优于各种基线算法。

    Mar, 2015

  • 通过度量学习提高语义嵌入一致性，用于零样本分类

    本文提出了一种新的零样本图像分类方法，通过度量学习来控制图像的语义嵌入，实现了不需要在训练阶段使用类别的零样本学习，仅需在地面实况中提供以图像 / 属性为对的约束关系，使得学习模型可以预测一个测试图像与给定属性的一致性，并且该方法在四个挑战性数据集上取得了最好的效果。

    Jul, 2016

  • 多实例视觉语义嵌入

    通过 Multi-Instance visual-semantic Embedding model (MIE) 模型，我们可以发现和映射成对应标签的语义意义的图像子区域，有效提升了多标签图像注释和零样本学习任务的性能。

    Dec, 2015

  • 概念嵌入实现的多标签零样本学习

    本文提出了一种基于概念嵌入和语义学习模型的多标签零样本学习方法，可以高效地将未知类别在已有的概念嵌入空间中进行映射，并在实验中证明在处理含有未知标签的场景时，该方法优于现有多标签零样本学习模型且不需要对语义学习模型进行重新训练。

    Jun, 2016

  • 通过语义嵌入的凸组合实现零样本学习

    本文介绍了一种简单的图像嵌入系统构建方法，可以从现有的任何 n-way 图像分类器和语义词嵌入模型中构建，该方法通过使用类标签嵌入向量的凸组合将图像映射到语义嵌入空间中，不需要进行额外的训练，该方法在 ImageNet 零样本学习任务上表现优异。

    Dec, 2013

  • 基于语义的零样本学习视觉嵌入

    提出了一种称为 joint embeddings for zero-shot learning 的方法，通过计算代理任务上的两流网络中的联合图像和文本模型来学习语义基础和丰富的视觉信息，并利用辅助字幕来提高图像和文本表示之间的对齐，从而在多个基准数据集上评估了该方法，在标准的（aPY 上 + 1.6％，FLO 上 + 2.6％）和常规的（AWA2 上 + 2.1％，CUB 上 + 2.2％）零 - shot 识别中提高了现有最先进方法的性能。

    Jan, 2022

  • 语义嵌入式深度神经网络：提升多标签图像分类性能的通用方法

    本文介绍了一种使用语义嵌入深度神经网络，采用基于空间感知语义特征和通道注意力模型的方法来提高多标签预测模型性能的方法。实验证明，与基线方法相比，该方法平均相对改进 15.27％，在 Instagram 时尚服装图像上进行了多标签时尚属性分类的核心实验和消融研究，并将模型性能与我们的方法进行比较，发现我们的方法性能更优秀。

    May, 2023

  • 自我训练在零标签语义分割中的应用

    本研究提出使用自我生成伪标签来捕捉未标注图像数据中的潜在信息，在同一张图像的不同数据增强生成的多个伪标签交集的一致性正则化过滤噪声伪标签，结合人工标注数据重新训练模型，并不断迭代，以此达到在复杂的零标签语义分割场景下进行广义分类的任务的最新最优结果。

    Apr, 2021

  • 泛零样本学习生成对抗网络

    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

  • 拥抱多样性：超过每个类别一个向量的可解释零 - shot 分类

    用推理属性在不需要重新训练的零 - shot 分类环境下对类别内的多样性进行编码和计算，提高零 - shot 分类的准确性、可解释性，以及适应性，从而实现透明的 AI 系统。

    Apr, 2024