无需标签的 Logit 调整

IJCAIApr, 2022

Zero-Shot Logit Adjustment

Dubing Chen, Yuming Shen, Haofeng Zhang, Philip H.S. Torr

TL;DR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。

Abstract

Semantic-descriptor-based generalized zero-shot learning (GZSL) poses challenges in recognizing novel classes in the test phase. The development of generative models enables current GZSL techniques to probe furth

generalized zero-shot learning generative models classifier variational bayesian inference zero-shot logit adjustment

发现论文，激发创造

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

泛零样本学习的语义分离

本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。

Jan, 2021

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

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

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

后来出现的未知类别？没问题

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。

Mar, 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