CVPRMar, 2022

后来出现的未知类别？没问题

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。
generalized zero-shot learningcontinual generalized zero-shot learningincremental alignmentadaptive modelsonline-learning
发现论文，激发创造
  • 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

  • 多模态循环一致的广义零样本学习

    本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

    Aug, 2018

  • 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

  • OntoZSL: 基于本体增强的零样本学习

    通过本体论知识表示和语义嵌入，以更丰富和竞争的先验知识建模 ZSL 的类间关系，并使用生成对抗网络（GANs）开发了一种生成 ZSL 框架，以解决已知类和未知类之间的数据不平衡问题。

    Feb, 2021

  • 解构式基于生成的零样本模型

    本文针对广义零样本学习领域内的生成模型方法进行了探究和拆解，并提出了基于类级别和实例级别分布的属性泛化及部分偏置数据的独立分类器学习方法。实验证明本文提出的方法在公共数据集上性能优于当前最先进算法，同时该方法即使没有生成模型仍然有效，这是对生成 - 分类器结构的进一步简化。

    Apr, 2022

  • 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

  • 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

  • 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

  • 通过语义引导的生成随机游走实现持续的零样本学习

    通过利用生成建模，我们提出了一个学习算法，在没有给定未知信息的情况下持续进行零样本学习，并在 AWA1、AWA2、CUB 和 SUN 数据集上实现了超出现有连续零样本学习方法的 3-7% 的最新性能。

    Aug, 2023

  • 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