Oct, 2023

SeeDS: 面向零样本食品检测的语义可分散合成器

PDF
TL;DR提出了一种基于语义可分离扩散合成器框架的零样本食物检测方法，其通过学习复杂食物属性的语义表征并通过增强的语义信息合成辨别性食物特征。通过生成多样化的区域特征，通过细粒度的综合特征提高零样本食物检测性能。在两个食物数据集上展示了该方法在零样本食物检测上的最新性能。
发现论文，激发创造
  • 合成强化知识特征的现实世界零样本食物检测

    提出了一种新的框架 ZSFDet 来解决零样本食物检测中的细粒度问题，并通过知识表示增强性能。

    Feb, 2024

  • MFDS-Net: 远程感知变化检测的多尺度特征深度监督网络，融合全局语义和细节信息

    MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络，旨在更精细地描述变化的建筑和地理信息，增强变化目标的定位和弱特征的提取。

    May, 2024

  • 基于语义引导的零样本目标检测对比网络

    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

  • 探索基于扩散模型的零样本学习中的数据有效性

    ZeroDiff 是一种基于扩散的生成零样本学习模型，通过在类和实例级别改善数据效率，以提高有限数据的零样本识别能力。

    Jun, 2024

  • 零样本目标检测的稳健区域特征合成器

    研究零样本物体检测的核心挑战，以设计了一个含有内类语义分歧组件和类间结构保持组件的框架，展示了新型方法在 PASCAL VOC、COCO 和 DIOR 数据集上实现了最先进的性能，并首次在遥感影像中达到了零样本物体检测的研究。

    Jan, 2022

  • 零样本目标检测：学会同时识别和定位新概念

    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

  • 通用零样本识别的数据分布提取生成模型

    通过引入端到端生成式 GZSL 框架 D^3GZSL 并采用 ID^2SD 和 O^2DBD 两个核心模块，我们解决了 GZSL 模型中偏向于已见数据的偏见问题，并通过将已见和合成的未见数据作为内分布和外分布数据分别对待，以实现模型的更好平衡。D^3GZSL 在嵌入和标签空间中对齐教师和学生的结果，增强了学习的一致性，并且通过在每个批次样本中引入低维度的外分布表示，捕捉了已见和未见类别之间的共享结构。我们的方法在已有的 GZSL 基准测试中展示了其有效性，并可以无缝地集成到主流的生成式框架中。大量实验一致表明，D^3GZSL 提升了现有生成式 GZSL 方法的性能，凸显了其优化零样本学习实践的潜力。

    Feb, 2024

  • Diffusion-SS3D：半监督三维物体检测的扩散模型

    通过扩散模型来提高伪标签的质量，以实现半监督三维物体检测，改进了现有方法的性能，获得了最先进的结果。

    Dec, 2023

  • 混合区域嵌入的零样本目标检测

    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

  • 优化语义增强以实现视频字幕的频率扩散

    本文提出了一种新的改进语义增强方法以应对低频词对视频标题生成的限制。通过引入 Frequency-Aware Diffusion (FAD) 模块，以更好地理解低频词汇的语义，改进了标题的生成；设计了 Divergent Semantic Supervisor (DSS) 模块，以进一步强调低频词的语义从而缓解长尾问题。实验证明，该方法优于现有方法，并可获得全面的生成效果。

    Nov, 2022