Jan, 2022

使用知识图谱进行视觉迁移学习的调查

PDF
TL;DR本文综述了利用知识图谱的视觉迁移学习方法，着重分析知识图谱的建模结构、特征提取和知识图嵌入方法，并介绍了四种知识图谱与深度学习管道的组合方式。同时，提供了评估基准、处理数据集和基于知识图谱的辅助知识类型的概述。未来的研究应着眼于挖掘面临的挑战和开放问题。
transfer learningdeep learningknowledge graphsvisual transfer learningimage data
发现论文，激发创造
  • 基于知识图谱的人类中心迁移学习解释 [扩展摘要]

    本文介绍了两种基于知识图谱（KG）的框架，用于人类可理解的迁移学习解释，其中一种利用卷积神经网络（CNN）学习的特征的可转移性，另一种则通过零样本学习（ZSL）从多个源域预测目标域的模型，并利用 KG 及其推理能力来提供丰富而易于理解的解释。

    Jan, 2019

  • 深度协作学习的知识转移图

    本文提出了一种新的基于图的知识迁移方法，其中引入了知识迁移图和四个门函数来控制梯度，以实现更加灵活和多样化的迁移方式。实验结果表明，该方法在 CIFAR-10、-100 和 Tiny-ImageNet 数据集上实现了显著的性能改进，并能够发现出色的图结构。

    Sep, 2019

  • 知识图谱应用于多模态学习：综述

    本综述对 300 篇以上的文章进行了仔细审查，重点关注了两个主要方面的知识图谱 (KG) 相关研究，即 KG 驱动的多模式学习和多模式知识图谱 (MMKG)，通过定义 KG 和 MMKG，探讨了它们的构建进展，以及 KG 驱动的多模式学习任务和 MMKG 任务，为相关研究提供了定义、评估基准和关键见解，最后讨论了当前的挑战和新兴趋势，如大型语言模型和多模式预训练策略的进展。本综述旨在作为 KG 和多模式学习研究领域的全面参考，为已经参与或考虑进行 KG 和多模式学习研究的研究人员提供洞察力，支持未来的工作。

    Feb, 2024

  • 通过语义嵌入和知识图谱进行零样本识别

    本研究旨在解决零样本识别问题，基于语义嵌入和分类关系预测视觉分类器，提出了一种基于图卷积网络的方法，并在知识图中学习得到的结果表明，相比于当前的最先进结果，该方法在性能上获得了显著提升。

    Mar, 2018

  • VisionKG：通过知识图谱释放视觉数据集的力量

    我们提出了一种基于知识图谱和语义网络技术的 Vision Knowledge Graph（VisionKG），用于链接、组织和管理具有异构特征的视觉数据集，提供简单访问和查询不同格式和分类法的最新视觉数据集，增强语义丰富性并通过 SPARQL 提供多种数据检索与探索服务，集成了 30 个数据集和四个流行 CV 任务，展示了在 CV 流程中的多种应用场景。

    Sep, 2023

  • 利用知识图谱进行图像分类

    本文介绍了一种使用结构化先验知识的方法，包括知识图谱和图搜索神经网络，以在图像分类流程中有效地融入大型知识图谱，并在多标签分类方面优于标准神经网络基线。

    Dec, 2016

  • 利用概率知识传递学习深度表示

    本文提出了一种新的知识迁移技术，能够训练一个学生模型，使其保持与教师模型之间相同数量的互信息，与现有的 KT 方法相比，该方法能够克服一些局限性，并提供新的 KT 应用。

    Mar, 2018

  • 桥接 - GNN：有效知识转移的知识桥接学习

    数据需求过大的难题给深度学习模型带来了挑战，我们提出了一种基于图神经网络的知识桥接学习方法（KBL），通过构建桥接图和样本间的知识传递，KBL 不受强假设限制且对源数据的噪声具有鲁棒性，实验证明 Bridged-GNN 方法在有限数据场景中显著提升了性能。

    Aug, 2023

  • 基于知识图谱的上下文驱动视觉对象识别

    通过将语境知识编码到知识图中，提高深度学习方法的鲁棒性，增强物体识别模型对于跨领域和真实世界场景的表现。

    Oct, 2022

  • 基于知识图谱的神经网络在自然语言处理中的应用

    提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

    Feb, 2018