Jun, 2022

ZeroC: 一种神经符号模型，用于零样本概念识别和推理时间的获取

PDF
TL;DR本文提出了一个名为 ZeroC 的神经符号架构，可以在零阶方式下识别和获取新概念，并引入了用于学习和推理的算法。通过在一个具有挑战性的 Grid-world 数据集上的测试，证明了 ZeroC 的能力。
zero-shotneuro-symbolicconcept recognitionconcept acquisitionenergy-based models
发现论文，激发创造
  • 高效学习新视觉概念

    本文提出一种新的方法 —— 在最先进的识别模型中加入符号知识图谱，从而提高了模型的识别新物体的准确性。实验结果表明，与现有的少样本分类器相比，该方法的性能更好。

    Jun, 2023

  • 基于常识知识图谱的零样本学习

    使用 TrGCN 结构，从 common sense knowledge graphs 中，学习类别的表示形式，有效地提高了 zero-shot learning 的准确性。

    Jun, 2020

  • 越少越好：基于基础模型的零样本局部场景图生成

    通过 ELEGANT 框架，利用视觉感知、场景图生成和认知能力，提出了局部场景图生成的新任务，并通过与基础模型之间的协作和信息传递实现了零样本的局部场景图生成，从而展示了其强大的推理能力。

    Oct, 2023

  • 零样本识别的最新进展

    本文综述了现有零样本识别技术的方方面面，包括模型表示、数据集、评估方式等，并简要介绍了一些相关的识别任务，如一次性识别和开放集识别等。同时，我们也指出了现有方法的局限性以及未来的研究方向。

    Oct, 2017

  • 跨模态表示学习用于零样本动作识别

    本篇研究提出了一种基于跨模态 Transformer 的框架，用于零样本动作识别，其将视频数据和文本标签进行联合编码，并通过一个新的管道来构建视觉和语义表示之间的共享知识空间，其中包括了一个语义传递的策略，通过将已有和未见的课程联合在一起，提高了在 UCF101、HMDB51 和 ActivityNet 基准数据集中的顶级准确度。

    May, 2022

  • 零样本学习中预测未见类别的视觉典型

    本文提出了一种新的零样本学习模型，利用语义嵌入空间中的聚类结构来对已知对象的类别语义描述和示例进行建模，并通过训练多个基于核的回归器来实现语义表示 - 范例对的结构约束，从而在包括 ImageNet 数据集在内的标准基准数据集上显着优于现有的零样本学习方法。

    May, 2016

  • 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

  • 超越模仿：通过学习概念作为认知程序，在机器人上实现零样本任务转移

    本文通过引入类人概念学习框架和新型计算机架构，将认知心理学的有关概念转移到机器学习领域中，实现了具备可解释性及直观感知能力的机器人。该认知计算机通过视觉感知系统、即时记忆和运动控制系统，实现一个命令集合，以学习新概念，并可将其应用于不同形势的物理世界中。

    Dec, 2018

  • 神经符号概念学习器：从自然监督中解释场景、单词和句子

    提出了一种无需显式监督，通过观察图片和配对问答学习视觉概念、单词和句子语义分析的神经符号概念学习器，其通过神经符号推理模块将符号程序执行于潜在场景表示，辅助学习新词并解析新句子，使用课程学习指导对图像和语言的复合空间进行搜索，并进行了广泛实验来证实其在学习视觉概念、单词表示和语义分析方面的准确性和效率。

    Apr, 2019

  • 零样本动作识别的语义嵌入空间

    本篇论文探讨零样本学习在现代视频动作识别任务中的应用，采用语义词向量空间作为视频和类别标签的共同空间来解决语义信息相对复杂，并且难以学习的问题。通过自我训练和数据增强等策略，大大提高了这种映射的有效性，在 HMDB51 和 UCF101 等人体动作数据集上，本方法实现了最新的零样本动作识别性能。

    Feb, 2015