使用图像标签增强零样本检测训练
本文提出了一种解决零样本目标检测问题的方法,并通过使用视觉 - 语义嵌入,背景感知方法,以及使用大量类别语义标签的辅助数据来解决仅有少数训练类别的问题。在 MSCOCO 和 VisualGenome 两个标准检测数据集上进行实验,验证了该方法的有效性。
Apr, 2018
该研究提出了一种基于凸组合嵌入的检测框架来解决零样本目标检测问题,并在 Fashion-MNIST 数据集上进行实验,在 Pascal VOC 检测挑战中获取了令人满意的结果。
May, 2018
本文提出了用于同时识别和定位未见过类别的物体实例的 Zero-Shot Detection 问题,并引入基于 ILSVRC 数据集的新实验协议和元类概念来改善自动推导的语义描述的噪音,旨在在视觉和语义领域信息之间建立协同作用的新型 'Zero-Shot Detection' 深度神经网络。
Mar, 2018
本文研究零样本数据识别问题,提出了一种基于多模态表示学习的方法,名为 ZOC,通过对图像进行文本描述生成和置信度评分来实现未知分类的检测,并在 5 个基准数据集上展现了比基准方案更好的性能。
Sep, 2021
ContrastZSD 是一种用于零样本目标检测的基于语义指导对比学习的检测框架,它通过引入显式的语义指导和对比学习机制,来优化模型对未见过类别的认知,同时改善视觉特征结构以实现更好的视觉 - 语义对齐。
Sep, 2021
利用大规模和多样化的离群类别标签作为提示并通过离群样本生成模块增强零样本离群检测,实验结果表明 Outlier Label Exposure (OLE)对于大规模离群检测和难样本离群检测具有显著提升和创新性的性能。
Jun, 2024
本研究提出了一种新型的渐进式集成网络模型,采用多个投影标签嵌入来解决零样本图像识别问题,在有标记和无标记的数据上进行训练,为未标记的类提供知识转移,通过渐进式训练框架和预测伪标签来逐步标注最自信的图像,并更新集成网络以扩展到广义零样本学习情境,实验证明提出的模型在多个零样本学习数据集上具有很好的性能。
May, 2018
本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法,通过在签名上进行线性变换以将它们映射到视觉特征上,使得已知类别的签名映射结果靠近相应类别的已标记样本,同时未标记的数据与其中一个未知类别的映射签名也很接近,该方法在四个公共基准测试中的表现证明了其有效性,其中三个的预测准确度均优于最先进方法。
May, 2016
提出一种基于可训练 3D 卷积神经网络的 zero-shot learning 方法,用于视频分类,并对基准测试范式进行了扩展,以解决对训练任务不知道的测试任务进行测试的问题。实验结果表明,相较于现有技术,我们的方法显著优于其他方法。
Mar, 2020