本文提出了一种新的深度学习架构,用于多标签零样本学习,在这种学习中,可以为每个输入实例预测多个看不见的标签。研究人员提出了一个框架,结合了知识图谱和语义标签空间信息传播机制进行视觉推理,以解决多标签分类和 ML-ZSL 任务。与现有技术相比,该方法的性能相当或有所提高。
Nov, 2017
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
本文提出一种基于双向映射的语义关系建模方案,实现跨模态的知识转移并解决领域转化问题,通过迭代更新使得分类器不断加强预测能力,实验结果在三个基准数据集上显著优于现有方法。
Mar, 2017
本文提出了一种基于语义表示的全新的 Zero-Shot Learning 方法,并引入了上下文因素提高了对象的分类效果,通过在 Visual Genome 上进行的实验表明,增加上下文信息可以显著提高标准的 ZSL 方法。
Apr, 2019
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
我们提出了一个新颖的端到端框架,包含三个组成部分:多模态学习器、结构整合器和关系嵌入生成器,以整合多样化的多模态信息和知识图结构,从而促进零样本关系学习。通过对两个多模态知识图的评估结果,证明了我们提出方法的卓越性能。
Apr, 2024
该研究提出了一种模型,即使没有针对该对象的训练数据,也能在图像中识别对象,并从无监督的大型文本语料库中获取对未知类别的必要知识,在语言中的分布式信息可以被视为理解物体外观的语义基础。
Jan, 2013
本文讨论了两种与传统方法相关的工作:利用传导学习 ZSL 和将 ZSL 推广到多标签情况下。
Mar, 2015
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
研究了一种基于卷积神经网络的零迁移学习模型,该模型利用辅助信息学习一种兼容性函数,实现对未看到类别的识别,并对通过多种辅助信息对新数据集进行了实验验证。
Dec, 2017