Feb, 2024

通用零样本识别的数据分布提取生成模型

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 以缺失数据问题为形式的零样本学习

    本文探讨了零样本学习方法在解决'缺失数据问题'而非'缺失标签问题'时的有效性，通过将知识从标签嵌入空间转移到图像特征空间，估计未见过的类在图像特征空间的数据分布，实验表明，与现有方法相比，该方法在两个流行数据集上的表现更优

    Dec, 2016

  • 适应性置信度平滑技术用于广义零样本学习

    本文介绍了一种基于概率的方法，将分类器分为三个组件，其中包括一个门控模型、一个零样本学习专家和一个针对已知类别的专家模型，以实现广义零样本学习（GZSL）。我们的方法解决了几个主要问题，包括如何为未知类别提供精确的门控概率估计和如何在其领域之外的样本中使用专家预测。我们测试的结果表明，我们的方法COSMO在四个标准GZSL基准数据集上表现良好，并且通常优于现有GZSL模型。

    Dec, 2018

  • 一种基于边界的广义零样本学习外域分类器

    本文提出了一种基于边界的Out-of-Distribution分类器来解决Generalized Zero-Shot Learning问题，其利用共享的潜在空间，在单位超球上对视觉特征和语义属性的潜在分布进行按类别对齐，并通过类中心和边界将未见过的样本与已见过的进行分离，经验证在常见的五个基准数据集上，该方法超越了现有方法的性能表现。

    Aug, 2020

  • 学习基于图的先验知识用于广义零样本学习

    本篇论文研究了利用标签信息、属性以及关系图加强零样本学习和广义零样本学习，基于这个方法，本文在CUB和SUN数据集上取得了比强基线更好的结果。

    Oct, 2020

  • 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

  • 对比嵌入用于广义零样本学习

    提出了一种混合零样本学习框架，将生成模型与嵌入模型相结合，采用对比嵌入技术进行分类，解决了数据不平衡问题，实验结果表明，在五个基准数据集上，该方法优于现有技术。

    Mar, 2021

  • 无需标签的Logit调整

    本文提出了一种利用生成模型在Generalized Zero-Shot Learning (GZSL)任务中识别新类别的技术，使用变分贝叶斯推理方法推导评估指标，借助logit adjustment 融合生成的伪类别信息到分类器中，进一步提高了在GZSL任务的性能。

    Apr, 2022

  • 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

  • 基于数据无关的广义零样本学习

    基于CLIP基类分类器的无数据零样本学习方法提出了一个通用框架，该框架包含三个主要组成部分：基于vMF分布建模基类数据的虚拟特征恢复、特征-语言输入调整以进一步对齐虚拟图像特征和文本特征、使用对齐后的特征训练条件生成模型，可以生成新类别的特征并实现更好的零样本泛化。在常用的五个广义ZSL基准和11个基类到新类别ZSL基准上进行了评估，结果显示了该方法的优越性和有效性。

    Jan, 2024

  • 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