Jan, 2022

零样本目标检测的稳健区域特征合成器

PDF
TL;DR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。
zero-shot object detectionunseen classesrobust region featuresintra-class semantic diverginginter-class structure preserving
发现论文，激发创造
  • 零样本物体检测中综合未见过的物体

    提出了一种用于物体检测的零样本学习方法，通过合成视觉特征实现模型同时学习已知和未知的物体，并采用一种新颖的生成模型，使用类语义不仅生成特征，而且还对它们进行鉴别分离。在三个物体检测基准测试中表现优秀，超过现有技术方法。

    Oct, 2020

  • 零样本检测

    提出一种零样本方法，该方法通过训练一个将语义属性预测与视觉特征融合以提出所观察到和未观察到对象类别的目标边界框的端到端模型，不使用语义信息，在测试时能明显提高针对未知对象的平均精度，应用于 PASCAL VOC 和 MS COCO 数据集时观察到显著改进。

    Mar, 2018

  • 从零样本学习到传统监督分类：未见过的视觉数据合成

    该研究提出了一种新的零样本学习框架，并基于 Unseen Visual Data Synthesis 算法，利用语义属性有效地合成未见过的视觉特征，以解决实际应用中缺乏带标注样本的问题，并证实其能够显著提高现有技术水平。

    May, 2017

  • 零样本学习的合成分类器

    通过在语义空间和模型空间中相互协作的 “幻影” 对象类的优化，实现了零样本学习的最优判别性能，克服了训练阶段没有示例的难题。

    Mar, 2016

  • 基于语义引导的零样本目标检测对比网络

    ContrastZSD 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。

    Sep, 2021

  • 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

  • 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：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

  • 不要再看一次：合成特征实现零样本检测

    本文介绍了一种名为 DELO 的检测算法，它通过综合未知对象的视觉特征并增强现有训练算法来实现零样本检测，并在 Pascal VOC 和 MSCOCO 上进行评估，并证明了与传统和其他零样本检测器相比的显着准确度提高。

    Nov, 2019

  • 区域语义对齐网络用于零样本学习

    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。

    Oct, 2021