Sep, 2021

基于语义引导的零样本目标检测对比网络

PDF
TL;DRContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架，它通过引入显式的语义指导和对比学习机制，来优化模型对未见过类别的认知，同时改善视觉特征结构以实现更好的视觉 - 语义对齐。
zero-shot object detectioncontrastive learningsemantic guidancevisual-semantic alignmentunseen categories
发现论文，激发创造
  • 零样本目标检测：学会同时识别和定位新概念

    本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题，并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音，旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。

    Mar, 2018

  • 零样本物体检测

    本文提出了一种解决零样本目标检测问题的方法，并通过使用视觉 - 语义嵌入，背景感知方法，以及使用大量类别语义标签的辅助数据来解决仅有少数训练类别的问题。在 MSCOCO 和 VisualGenome 两个标准检测数据集上进行实验，验证了该方法的有效性。

    Apr, 2018

  • 混合区域嵌入的零样本目标检测

    该研究提出了一种基于凸组合嵌入的检测框架来解决零样本目标检测问题，并在 Fashion-MNIST 数据集上进行实验，在 Pascal VOC 检测挑战中获取了令人满意的结果。

    May, 2018

  • 可传递的对比网络用于广义零样本学习

    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

  • 语义引导的多注意力区域定位用于零样本学习

    本文关注于零样本学习中如何挖掘物体的区分特征，提出了基于语义导向的多注意力定位模型，该模型通过发现物体最区分性的部分实现了零样本学习且不需要任何人工标注。在三个广泛使用的零样本学习基准测试上的综合实验表明，该模型及其提出的方法在很大程度上提高了现有技术水平的效果。同时，该方法对整个物体以及检测到的部分学习了协同的全局和局部特性，基于语义描述对物体进行分类。

    Mar, 2019

  • 零样本目标检测的稳健区域特征合成器

    研究零样本物体检测的核心挑战，以设计了一个含有内类语义分歧组件和类间结构保持组件的框架，展示了新型方法在 PASCAL VOC、COCO 和 DIOR 数据集上实现了最先进的性能，并首次在遥感影像中达到了零样本物体检测的研究。

    Jan, 2022

  • 零样本实例分割的语义促进去偏置与背景消歧

    本文提出 D$^2$Zero 模型结合语义推动减偏和背景消除，以提高零样本实例分割人工智能的表现，实验表明我们的方法比先前的最先进方法显着优越。

    May, 2023

  • 零样本语义分割

    本文提出了一个新的任务：零样本语义分割，要求学习像素级分类器从未见过的物体类别中进行分类。ZS3Net 是本文提出的一种新架构，它将深度视觉分割模型与从语义词嵌入生成视觉表示的方法相结合，以实现在测试时间处理已见和未见类别的像素分类任务。本文还通过自我训练进一步提高了性能，并在 Pascal-VOC 和 Pascal-Context 两个标准分割数据集上提出了零样本基准并设立竞争基线。此外，对于像 Pascal-Context 数据集中的复杂场景，我们通过使用图形上下文编码来完全利用来自类别分割地图的空间上下文先验知识。

    Jun, 2019

  • 零样本物体检测的可学习级联

    本篇论文提出一种称作 “背景可学习级联” 的框架，采用级联语义 R-CNN 和背景可学习区域建议网络（BLRPN）结构，以改善零样本目标检测的性能，实验结果表明，该方法在 MS-COCO 上显著优于现有的方法。

    Oct, 2020

  • 无需训练标注数据的零样本目标检测中的极性损失

    本文提出了一种名为 “Polarity loss” 的新型 Loss 函数，通过度量学习来优化 “语义词汇表” 上的噪声语义嵌入，从而改进了零样本目标检测中的视觉 - 语义对齐，同时通过显式地最大化正负预测之间的差距，达到更好的差别化效果。

    Nov, 2018