ECCVMar, 2022

探索大规模零样本图像分类的分层图表示

PDF
TL;DR提出了一种基于层次图知识表示的置信度分类方法，命名为 HGR-Net，用于零样本学习和大规模图像识别，可以有效地识别未见过的类别并区分它们与已见过的类别，在 ImageNet-21K 基准测试中，性能比其他现有技术提升了 7%。
zero-shot learningvisual recognitionimagenet-21khierarchical graphical knowledge representationclass inheritance relations
发现论文，激发创造
  • 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

  • 联合层次结构学习和大规模图像分类

    本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

    Sep, 2017

  • 基于知识引导的多标签少样本学习在通用图像识别中的应用

    本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。

    Sep, 2020

  • HD-CNN：用于大规模视觉识别的分层深度卷积神经网络

    本文提出了一种基于分层结构的深度卷积神经网络 (HD-CNNs)，易分类的类别使用粗分类器进行区分，难分类的类别使用细分类器进行区分，并使用条件执行和层参数压缩等技术提高了可扩展性，成功地在 CIFAR100 和 ImageNet 等基准数据集上取得了最优结果。

    Oct, 2014

  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • 生成用于零样本分类的视觉表征

    本文面向学习图像分类器的任务，并针对一些分类仅由语义描述（如视觉属性），而其他分类也由实例图像定义的情况下，提出了一种 Zero-Shot classification task (ZSC) 的方法。旨在通过生成模型和有监督学习方法，有效地解决这一问题，实验证明该方法在 ZSC 和广义 ZSC（GZSC）方面均取得了最新的成果。

    Aug, 2017

  • 稀疏分层图分类器的研究

    本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

    Nov, 2018

  • HGCLIP：基于图表示的层次理解视觉 - 语言模型的探索

    我们提出了一种将 CLIP 与图表示学习相结合以更深入地利用分层类结构的新框架（HGCLIP），通过将类层次结构构建成一个图，其中其节点代表每个类别的文本或图像特征，通过图编码器，文本特征结合了分层结构信息，而图像特征通过注意机制强调了从原型派生的类别感知特征，我们的方法在通用和细粒度视觉识别基准上均取得了显著的改进。

    Nov, 2023

  • 基于知识感知的分层图模型进行细粒度信息建模，用于零样本实体检索

    提出了 GER：一个图增强型架构以获取零样本实体检索任务中更加精细的信息，并使用分层图注意力网络避免中心实体节点的图信息瓶颈，实验证明 GER 模型在常见基准测试中优于现有最先进模型。

    Nov, 2022

  • 利用分层语义嵌入进行精细化表示学习和识别

    通过 Hierarchical Semantic Embedding (HSE) 框架在深层神经网络中整合不同层级的类别预测，从而实现对复杂图像的精细分类，该方法优于基线模型和现有竞争对手，可以应用于精细图像识别领域。

    Aug, 2018