Jul, 2023

学习对抗语义嵌入以实现开放世界的零样本识别

PDF
TL;DR通过结合零样本学习和开放式识别的方法，我们提出一种用于处理未知类别样本的零样本开放式识别问题的模型，通过学习生成未知类别的对抗性语义嵌入来训练分类器，在检测未知类别的同时保持对未见类别的准确分类。
zero-shot learningopen-set recognitionzs-osrunknown classesadversarial semantic embeddings
发现论文，激发创造
  • 反事实零样本和开放集视觉识别

    提出了一种针对零样本学习和开放式识别的可靠反事实框架，通过引入计数事实的概念来对未知类别进行样本生成，使用一致性规则进行二元分类，从而有效地减轻了样本类别分布不平衡的问题。

    Mar, 2021

  • 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

  • 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

  • 基于联合潜变相似性嵌入的零样本学习

    该研究提出了一种无类别依赖的零样本识别分类器，利用二分类预测问题建模后使用词典学习，通过概率模型进行匹配概率的建模，取得了四个基准数据集平均准确率上 4.9% 的提升，在零样本检索任务中则获得了 22.45% 的平均精确度提升。

    Nov, 2015

  • 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

  • 开放集合识别的最新进展：综述

    本文综述了现有的开放集识别技术，包括相关定义、模型表示、数据集、评估标准和算法比较，在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系，并指出现有方法的局限性，并指出一些有前途的研究方向。

    Nov, 2018

  • OpenSlot: 对象中心学习的混合开放集识别

    本文介绍了混合开放集识别（mixed OSR）问题，提出了基于 OpenSlot 框架的反噪音槽（anti-noise-slot）技术，解决了含有已知和未知类别的多类语义图像的识别问题，并在混合和传统的开放集识别基准测试中实现了卓越的性能。

    Jul, 2024

  • 区域语义对齐网络用于零样本学习

    本文提出了一种利用本地特征将未见类别映射到语义属性的区域语义对齐网络（RSAN）方法，使得将所学类别的知识成功地以区域方式传递给未见类别，并通过语义知识对图像编码器进行属性回归以提取稳健和属性相关的视觉特征，对多个标准 ZSL 数据集的实验验证了该方法的优点，超过了最先进的方法。

    Oct, 2021

  • 零样本学习的分类器和样本合成

    本文提出了两个使用零样本学习（ZSL）系统，该系统使用流形嵌入和自动生成视觉分类器来解决具有未知类的任务，并且在五个类视觉识别基准数据集上表现出卓越的性能。

    Dec, 2018

  • 通过利用对抗样本进行零样本学习

    零样本学习（ZSL）通过从已见类别中获取的知识（如视觉和语义关系）进行泛化，旨在识别未见类别，但常用的图像增强技术可能对 ZSL 产生负面影响，我们提出一种利用对抗样本的新型 ZSL 方法来解决语义扭曲问题，在三个著名的零样本基准数据集上进行了综合实验，证明了对抗样本方法在 ZSL 和广义零样本学习（GZSL）场景中的有效性。

    Aug, 2023