Jan, 2024

零样本分类基于超维度计算

PDF
TL;DR基于超维计算的零样本分类器（HDC-ZSC）是一种简单的端到端可训练模型，通过使用符号化分布表示的稳定二进制码本，在属性编码器内紧凑地表示以解决零样本学习（ZSL）中的零样本分类任务，实现在 CUB-200 数据集上 63.8% 的准确率，训练参数仅 26.6 百万个。与其他两种最先进的非生成方法相比，HDC-ZSC 分别提高了 4.3% 和 9.9% 的准确率，同时它们所需的参数比 HDC-ZSC 多 1.85 倍和 1.72 倍。
zero-shot learningclassificationhyperdimensional computingattribute encoderhdc-zsc
发现论文，激发创造
  • 生成用于零样本分类的视觉表征

    本文面向学习图像分类器的任务，并针对一些分类仅由语义描述（如视觉属性），而其他分类也由实例图像定义的情况下，提出了一种 Zero-Shot classification task (ZSC) 的方法。旨在通过生成模型和有监督学习方法，有效地解决这一问题，实验证明该方法在 ZSC 和广义 ZSC（GZSC）方面均取得了最新的成果。

    Aug, 2017

  • 零样本识别的潜在特征判别学习

    该研究提出了一种能够自动发现显著区域及在增强的空间中学习辨别性语义表征的端到端网络，用于零样本学习中。在两个具有挑战性的零样本学习数据集上测试，实验结果显示该方法明显优于现有最先进的方法。

    Mar, 2018

  • 面向广义零样本学习的高判别属性特征学习

    零样本学习（ZSL）旨在根据观察到的类别的语义知识，识别未接触过的新类别，然而，当前基于注意力的模型对于学习图像区域特征时，可能忽视了视觉特征的可转移性和属性定位的独特性。为了解决这些问题，我们提出了一种名为高辨别属性特征学习的创新方法（HDAFL），通过学习属性特征来优化视觉特征以获取有辨识力的视觉嵌入。具体而言，HDAFL 利用多个卷积核自动学习与图像中属性高度相关的辨别性区域，消除图像特征中的不相关干扰。此外，我们引入了基于 Transformer 的属性判别编码器来增强属性之间的辨别能力。同时，该方法采用对比损失来减轻数据集偏差并增强视觉特征的可传递性，从而实现了观察类别和未观察类别之间更好的语义转移。实验结果在三个广泛使用的数据集上验证了 HDAFL 的有效性。

    Apr, 2024

  • 重新思考零样本学习：基于条件视觉分类的观点

    本文提出了多种不同的零样本学习的算法，包括基于语义属性生成可视特征分类器的深度神经网络，以及一种能够使用未标记数据进行自校准的学习方法，并在所有 ZSL 设置的基准数据集上显著优于现有算法的大量实验结果表明。

    Sep, 2019

  • Attributes2Classname：一种基于属性的判别式无监督零样本学习模型

    本论文提出了一种基于名称的无监督零样本学习方法，通过区别性地学习单词表示，使得类别和属性名称的相似性与视觉相似性相符，突破了传统零样本学习方法依赖属性特征标注的限制，并且能够在纯文本数据上进行训练，实验结果表明该方法在三个基准数据集上取得了最先进的性能。

    May, 2017

  • 零样本学习的简单有效本地化属性表示

    本文提出一种利用语义 / 属性空间的区域表示来实现无监督学习的方法，其中区域表示的本地化是隐式的。本方法具有高度的可解释性，能够取得 CUB 和 SUN 数据集上的最新性能以及在 AWA2 数据集上优于一般性能更复杂的方法。

    Jun, 2020

  • 卷积原型学习用于零样本识别

    本文提出了一种卷积原型学习（CPL）框架，用于零样本识别。通过在任务级别假设分布一致性，CPL 能够平稳地转移知识以识别未见样本。在每个任务内部，通过基于距离的训练机制学习区分性视觉原型。因此，我们可以在视觉空间而不是语义空间中进行识别。

    Oct, 2019

  • 基于想象力的样本构建技术在零样本学习中的应用

    本文提出了一种基于想象的样本构建方法来处理零样本学习问题，并成功将零样本学习变为一个监督学习问题，验证在四个数据集上方法的有效性。

    Oct, 2018

  • 基于视觉 transformer 的多头自注意力机制用于零样本学习

    本文提出了一种关注机制的模型以学习适用于未见过的类别识别的属性，在三个常用的零样本学习基准测试上达到了新的最先进效果。

    Jul, 2021

  • 零样本学习 (ZFS)：利用局部组成表示从头开始学习

    本文提出了一种更具挑战性的零样本学习方法，即从零开始的零样本学习（ZFS），该方法明确禁止使用在其他数据集上微调过的编码器，并强调了本地信息和组合表示的重要性。

    Oct, 2020