ICCVAug, 2023

通过语义引导的生成随机游走实现持续的零样本学习

PDF
TL;DR通过利用生成建模，我们提出了一个学习算法，在没有给定未知信息的情况下持续进行零样本学习，并在 AWA1、AWA2、CUB 和 SUN 数据集上实现了超出现有连续零样本学习方法的 3-7% 的最新性能。
continual zero-shot learninggenerative modelingunseen informationgeneralization-bound toolssemantically guided generative random walk (grw) loss
发现论文，激发创造
  • 多模态循环一致的广义零样本学习

    本研究提出了基于对生成对抗网络训练的新规则的多模态循环一致性语义兼容性的方法，可以用于合成更具代表性的视觉表示，从而在几个公开可用的数据集中展现出最佳的广义零样本学习分类结果。

    Aug, 2018

  • 基于生成回放的动态 VAE 模型实现持续零样本学习

    本文提出了一种新的继续零样本学习模型 (DVGR-CZSL)，通过生成式回放来防止灾难性遗忘，该模型与先前学习过的类一起更新。实验证明，这种混合模型在几个数据集中优于基线，能够有效地进行任务顺序学习，并且在零样本学习中具有优越性。

    Apr, 2021

  • 泛零样本学习的语义分离

    本文针对广义零样本学习任务，提出了一种新颖的语义分离框架，使用条件 VAE 将未见过的类别的视觉特征分解为与语义一致、不相关的潜在向量，并且通过相关性惩罚和关系网络确保两个分解表示之间的独立性和语义一致性。在四个广义零样本学习基准数据集上的实验表明，由该框架分离出的语义一致特征在规范化和广义零样本学习任务中更具普适性。

    Jan, 2021

  • CIZSL++：创意启迪的生成式零样本学习

    利用创造力的灵感，提出了一个创造力启发模型 CIZSL-v1 和进一步改进的模型 CIZSL-v2，通过对无法识别的类别进行视觉学习来改善 Zero-shot Learning（ZSL）的判别能力，同时引入了类比于创造力文献的学习信号，可以在挖掘类别特征并保证视觉特征之间的差异性的前提下实现已知类别到未知类别的知识转移，提高了模型性能。

    Jan, 2021

  • 后来出现的未知类别？没问题

    本研究提出了一种新的在线学习方法，旨在解决 continual generalized zero-shot learning 中动态添加新已知或未知类别所带来的挑战，该方法结合了双向增量对齐和特征生成框架以动态适应新类别的到来，并在五个基准数据集上表现出更好的泛化能力。

    Mar, 2022

  • 广义零样本学习方法综述

    本文综述了广义零样本学习（GZSL）的问题及挑战，展示了一种分层分类方法，并讨论了每个类别中的代表性方法，同时探讨了 GZSL 可用的基准数据集和应用以及未来研究方向。

    Nov, 2020

  • 基于视觉语义嵌入的广义零样本识别

    本文提出了一种新颖的广义零样本学习（GZSL）方法，它对训练期间的未见图像和未见语义向量具有不可知性。通过提出一种视觉实例的低维嵌入来打破视觉 - 语义间隙，并借助一个新的视觉神谕来量化噪声语义数据的影响，以提高准确性。在一系列数据集上用图模型进行推理的实验结果显示，该方法在语义和视觉监督下均明显优于现有技术。

    Nov, 2018

  • 利用已知和未知语义关系进行零样本生成学习

    提出一种新型的生成模型 LsrGAN，通过引入 SR-Loss 以显式地进行知识迁移，从而利用语义信息将从已知类中获取的知识迁移到未知类中，实现零样本学习和广义零样本学习。

    Jul, 2020

  • 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

  • GSMFlow: 针对广义零样本学习的生成位移缓解流算法

    通过多个条件仿射耦合层的流式生成框架来学习未知数据的生成，进一步避免语义空间中的结构混乱和生成时的偏移问题。在四个广义零样本学习基准数据集上进行广泛实验，GSMFlow 在 GZSL 上实现了最先进的性能。

    Jul, 2022