IJCAIMay, 2022

通用图像分类的比较知识转化

PDF
TL;DR本文提出一种基于深度学习的通用框架，模拟人类图像分类任务中的识别机制，旨在在分类任务中提高对未知类别的分类性能。作者研究了一项新的任务，称为比较知识转换，该任务通过一个比较分类转换网络，将已标记类别的比较知识翻译到一组新类别上。实验表明，该模型在未知类别上具有令人惊讶的泛化能力，并在目标类别上取得了顶尖的性能。
deep learningimage classificationrecognition mechanismgeneralizable frameworkcomparison knowledge translation
发现论文，激发创造
  • 使用转移相似度函数进行深度图像分类发现

    利用先验知识辅助探索图像类别的一种方法是采用对弱二元成对约束的对比损失进行学习，从其他领域的数据集中学习转移相似函数，这种新颖的端到端网络将未标记的图像映射到不同的类别上，模拟一种简单的知识转移。实验证明该网络在多个大规模数据集上能够显著提高聚类效果。

    Dec, 2016

  • 视觉边界知识转换用于前景分割

    本文旨在通过采用视觉边界知识翻译（BKT）任务建立新的模型，该模型在仅有少量标签样本的情况下，能够对未知分类进行精确分割。该模型使用分割网络和两个边界鉴别器逐步实现目标，这些实验表明，仅有少量样本的指导，Trans-Net 在轻度监督下取得了与全监督方法相当的结果。

    Aug, 2021

  • 大规模半监督目标检测的视觉和语义知识迁移

    基于深度卷积神经网络的物体检测系统在许多大规模物体检测基准测试中取得了显着成就，然而，这需要大量的标注边界框来进行训练。本文通过将图像级别分类器转化为物体检测器解决了此问题，并利用来自视觉和语义领域的物体相似性知识，在将分类器转换为没有边界框注释的类别时转移此信息。实验结果表明，我们提出的基于物体相似性的知识转移方法在半监督设置下实现了最先进的检测性能。

    Jan, 2018

  • 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

  • 基於知識轉移的少樣本物體檢測

    本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

    Aug, 2020

  • 无监督图像对图像翻译的对比学习

    本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。

    May, 2021

  • RelationNet2: 基于深度比较的列类型用于 Few-Shot 学习

    本论文提出了一种深度比较网络，它由嵌入和关系模块组成，学习同步基于不同抽象级别的多个非线性距离度量，从而实现了优异的 few-shot 图像分类性能。

    Nov, 2018

  • 通用类别发现的转移和对齐网络

    广义类别发现任务中，传统方法在已知类别上的表现较好，但在新颖类别上表现不佳。为了减轻这两个问题，我们提出了一种转移和对齐网络 (TAN)，它包含两种知识转移机制来校准偏倚知识和两种特征对齐机制来学习判别特征。我们的结果显示，我们的模型在新颖类别上表现优于现有方法。

    Dec, 2023

  • 可传递的对比网络用于广义零样本学习

    本文提出了一种新的 Transferable Contrastive Network (TCN) 方法，旨在从源图像中将知识传输到目标类中，以提高 GZSL 识别的鲁棒性。实验证明，该方法优于现有方法。

    Aug, 2019

  • 基于知识引导的小样本文本分类度量学习

    本文介绍了使用外部知识来提升深度学习文本分类模型的 few-shot 学习能力，从而实现少量标注数据就能获得高性能的目的。作者在此基础上提出了一种新的参数生成网络，其能够利用外部知识生成关系网络参数，并将这些参数应用于多个任务中，以实现多个任务之间度量的转换。实验结果表明这种方法优于已有的 few-shot 文本分类模型。

    Apr, 2020