- CVPR鹰眼狐耳:通用零样本学习的部分原型网络
当前的广义零样本学习方法基于单一类别属性向量表示整个图像,这是对新颖类别识别过程的过度简化,因此图像的不同区域可能具有来自不同已见类别的属性并具有不同的主导属性。在此基础上,我们采用一种根本不同的方法:使用对属性信息敏感的预训练视觉语言检测 - 减少但更好:通过从冗余的 LLM 语义中进行内在学习,实现对未知领域的泛化零样本学习
我们提出了一种名为 Meta Domain Alignment Semantic Refinement (MDASR) 的方法,通过两个部分 Inter-class Similarity Alignment (ISA) 和 Unseen-c - AAAI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 - 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。
- 面向广义零样本学习的属性感知表示修正
我们提出了一种简单而有效的属性感知表征修正框架,用于广义零样本学习(GZSL),命名为(AR)^2,通过自适应地矫正特征提取器来学习新的特征并保留原有的有价值的特征。
- IJCAI实例自适应原型对比嵌入在广义零样本学习中的应用
我们提出了一种基于边界的原型对比学习嵌入网络来提高嵌入空间中表示的质量,并提出了一种实例自适应对比损失来实现未知标签的广义表示,实验表明我们的方法在三个基准数据集上优于现有技术,并在广义零样本学习设置下始终获得最佳的未知性能。
- MM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 - CVPR广义零样本学习的合成样本选择
本文提出了一种基于强化学习进行合成特征选择的新方法,该方法利用 Transformer-based selector 根据验证分类精度选择特征,以此作为奖励,实验结果表明它比现有的特征生成方法表现更好。
- CVPR面向广义零样本学习的渐进语义视觉互适应
本文提出了双重语义视觉变换器模块 (DSVTM) 来逐步建立属性原型和视觉特征之间的对应关系,构成了一种逐步的语义 - 视觉相互适应 (PSVMA) 网络,以实现语义消歧和知识可转移性的提高。DSVTM 设计了一种实例驱动的语义编码器,可以 - IJCAILETS-GZSL: 一种用于时间序列广义零样本学习的潜在嵌入模型
本文提出了一种名为 LETS-GZSL 的模型,采用了基于嵌入的方法和属性向量相结合,在 UCR 存档数据集上可以达到至少 55% 的谐波平均值,用于解决零样本学习在时间序列分类领域中的问题.
- MMGSMFlow: 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。
- IJCAI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 - AAAI解构式基于生成的零样本模型
本文针对广义零样本学习领域内的生成模型方法进行了探究和拆解,并提出了基于类级别和实例级别分布的属性泛化及部分偏置数据的独立分类器学习方法。实验证明本文提出的方法在公共数据集上性能优于当前最先进算法,同时该方法即使没有生成模型仍然有效,这是对 - CVPR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 - AAAI泛零样本学习的语义特征提取
本文提出了一种新的基于语义特征提取的广义零样本学习(SE-GZSL)技术,使用包含仅属性相关信息的语义特征来学习图像和属性之间的关系,从而可以消除由图像特征中包含的与属性无关的干扰信息,通过使用提出的互信息损失和相似性损失函数,证明了该 S - 双进化原型网络用于广义零样本学习
本文介绍了一种名为 “双重渐进式原型网络(DPPN)” 的方法,用于解决广义零样本学习(GZSL)中的问题,包括域偏移问题、视觉代表性的跨域可转移性和类别可辨别性。DPPN 通过学习属性和类别的两种原型模式来构建视觉表征,从而逐渐提高属性定 - ICCV自由:用于广义零样本学习的特征优化
本篇论文提出了一种名为 Feature Refinement for Generalized Zero-Shot Learning (FREE) 的简单有效的 GZSL 方法,其采用特征细化模块,将语义 - 视觉映射引入到生成模型中,以精炼 - ICCV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 - 基于熵的不确定性校准用于广义零样本学习
提出一种新的框架,利用双重变分自编码器和三元组损失学习区分性潜在特征,并应用基于熵的校准来最小化见和未见类之间重叠区域的不确定性,在六个基准数据集上进行的实验表明,该方法胜过现有的最先进方法。
- 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。