Mar, 2022

后来出现的未知类别？没问题

HTML
PDF
TL;DR本研究提出了一种新的在线学习方法，旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战，该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来，并在五个基准数据集上表现出更好的泛化能力。
发现论文，激发创造
  • 广义零样本学习在野外物体识别中的实证研究与分析

    本文提出可以解决识别来自已知类别与未知类别的图像的冲突的校准方法，探讨了零样本学习的generalized zero-shot learning的问题，并提出了评估模型性能的评价指标。研究结果表明当前模型表现与理想语义嵌入间的差异，强调改进类别语义嵌入对于GZSL的重要性。

    May, 2016

  • 适应性置信度平滑技术用于广义零样本学习

    本文介绍了一种基于概率的方法，将分类器分为三个组件，其中包括一个门控模型、一个零样本学习专家和一个针对已知类别的专家模型，以实现广义零样本学习（GZSL）。我们的方法解决了几个主要问题，包括如何为未知类别提供精确的门控概率估计和如何在其领域之外的样本中使用专家预测。我们测试的结果表明，我们的方法COSMO在四个标准GZSL基准数据集上表现良好，并且通常优于现有GZSL模型。

    Dec, 2018

  • 学习基于图的先验知识用于广义零样本学习

    本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习，基于这个方法，本文在CUB和SUN数据集上取得了比强基线更好的结果。

    Oct, 2020

  • 广义零样本学习方法综述

    本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了GZSL可用的基准数据集和应用以及未来研究方向。

    Nov, 2020

  • 基于熵的不确定性校准用于广义零样本学习

    提出一种新的框架，利用双重变分自编码器和三元组损失学习区分性潜在特征，并应用基于熵的校准来最小化见和未见类之间重叠区域的不确定性，在六个基准数据集上进行的实验表明，该方法胜过现有的最先进方法。

    Jan, 2021

  • 对比嵌入用于广义零样本学习

    提出了一种混合零样本学习框架，将生成模型与嵌入模型相结合，采用对比嵌入技术进行分类，解决了数据不平衡问题，实验结果表明，在五个基准数据集上，该方法优于现有技术。

    Mar, 2021

  • 基于生成回放的动态VAE模型实现持续零样本学习

    本文提出了一种新的继续零样本学习模型(DVGR-CZSL)，通过生成式回放来防止灾难性遗忘，该模型与先前学习过的类一起更新。实验证明，这种混合模型在几个数据集中优于基线，能够有效地进行任务顺序学习，并且在零样本学习中具有优越性。

    Apr, 2021

  • 远程学习：重新思考有限监督下的广义零样本学习

    本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。

    Jul, 2021

  • 无需标签的Logit调整

    本文提出了一种利用生成模型在Generalized Zero-Shot Learning (GZSL)任务中识别新类别的技术，使用变分贝叶斯推理方法推导评估指标，借助logit adjustment 融合生成的伪类别信息到分类器中，进一步提高了在GZSL任务的性能。

    Apr, 2022

  • SEER-ZSL: 通用零样本学习的语义编码增强表示

    通过创新性的编码器和组合损失函数，本论文介绍了一种双重策略来解决广义零样例学习中的泛化差距，并提出了一套新的评估指标，以更详细地评估结果的可信度和可复现性。

    Dec, 2023