Oct, 2021

区域语义对齐网络用于零样本学习

PDF
TL;DR本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验验证了该方法的优点，超过了最先进的方法。
zero-shot learningregion semantically aligned networklocal featuressemantic attributesknowledge transfer
发现论文，激发创造
  • 零样本遥感图像场景分类的深度语义视觉对齐

    我们通过机器自动收集可视属性，并利用转换器中的自注意机制将局部图像区域关联起来，集成背景上下文信息进行预测，以解决远程感知场景分类中的零样本学习问题。通过广泛实验，我们展示了我们的模型在具有挑战性的大规模远程感知场景分类基准上优于其他最先进模型。

    Feb, 2024

  • 零样本识别的潜在特征判别学习

    该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络，用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试，实验结果显示该方法明显优于现有最先进的方法。

    Mar, 2018

  • 区域判别式多标记零样本学习

    本文提出了一种基于区域的辨别性保持的多标签零样本分类的替代方法，使用 BiAM 模块有效结合了区域和场景上下文信息，并通过映射区域级特征到类语义并只进行空间汇集来获得图像级别的预测。

    Aug, 2021

  • 利用语义属性进行归纳零样本学习

    本文提出一种新的传输零样本学习方法，该方法使用生成对抗网络从未见过的特征提取出语义属性，并将其融合到产生模型中，从而捕获未见类别内的细微差异，合成更具辨别能力的特征。在五个标准基准测试中，本方法取得了零样本学习的最新成果。

    Mar, 2023

  • 泛零样本学习的语义特征提取

    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

  • 利用已知和未知语义关系进行零样本生成学习

    提出一种新型的生成模型 LsrGAN，通过引入 SR-Loss 以显式地进行知识迁移，从而利用语义信息将从已知类中获取的知识迁移到未知类中，实现零样本学习和广义零样本学习。

    Jul, 2020

  • TransZero: 面向零样本学习的属性引导 Transformer

    本研究提出了一种名为 TransZero 的基于属性引导的 Transformer 网络，用于零样本学习中的视觉语义交互，以提高视觉特征的可转移性和判别属性定位，并在三个 ZSL 基准测试中取得了最新的最佳结果。

    Dec, 2021

  • 零样本学习的简单有效本地化属性表示

    本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法，其中区域表示的本地化是隐式的。本方法具有高度的可解释性，能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。

    Jun, 2020

  • 语义对齐减少偏见的零样本学习

    本文提出了一种新的零样本学习方法 ——Semantically Aligned Bias Reducing (SABR) ZSL，旨在通过学习一个潜在空间来解决 hubness 问题，同时通过交叉验证和弱转移约束来减轻示例类别偏移问题，并在三个基准数据集上广泛实验证明，与现有的最先进算法相比，在传统和推广的 ZSL 设置下，性能显著提高了 1.5-9％或 2-14％。

    Apr, 2019

  • 泛零样本学习的语义分离

    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