通过属性增强合成多样特征,提升生成式零样本学习
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
利用双特征增强网络(DFAN)解决零样本学习中存在的问题,该网络包括对视觉特征和语义特征进行增强的两个模块,借助注意力机制,通过学习属性特征以及解决局部与全局特征之间的冲突来提高属性表示。
Sep, 2023
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
本研究提出了一种基于数据合成和竞争双向投影学习的零样本和少样本学习模型,在语义空间和特征空间之间学习了一个鲁棒的投影函数,并将它应用于语义数据的合成和模糊的非监督训练中,取得了最先进的结果。
Oct, 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
本文提出了一种利用 GAN 进行视觉数据合成的框架来解决零样本视频分类问题,并结合多级语义推理和匹配感知的互信息相关来提高合成视频特征的鉴别能力,实验结果表明这种方法可以显著提高零样本视频分类的性能。
Apr, 2018
本文提出了一种基于强化学习进行合成特征选择的新方法,该方法利用 Transformer-based selector 根据验证分类精度选择特征,以此作为奖励,实验结果表明它比现有的特征生成方法表现更好。
Apr, 2023
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
零样本学习是一种具有广泛应用前景的方法,该研究提出了使用元学习的属性自交互网络(MAIN)来解决零样本学习中的挑战,该方法能够在不使用未见过的类别属性的情况下实现超越最先进结果的性能提升,同时在训练速度上也比基于生成模型的方法快 100 倍以上。
Dec, 2023
零样本学习(ZSL)旨在根据观察到的类别的语义知识,识别未接触过的新类别,然而,当前基于注意力的模型对于学习图像区域特征时,可能忽视了视觉特征的可转移性和属性定位的独特性。为了解决这些问题,我们提出了一种名为高辨别属性特征学习的创新方法(HDAFL),通过学习属性特征来优化视觉特征以获取有辨识力的视觉嵌入。具体而言,HDAFL 利用多个卷积核自动学习与图像中属性高度相关的辨别性区域,消除图像特征中的不相关干扰。此外,我们引入了基于 Transformer 的属性判别编码器来增强属性之间的辨别能力。同时,该方法采用对比损失来减轻数据集偏差并增强视觉特征的可传递性,从而实现了观察类别和未观察类别之间更好的语义转移。实验结果在三个广泛使用的数据集上验证了 HDAFL 的有效性。
Apr, 2024