- UNICAD:统一的攻击检测、降噪和新类别识别方法
提出了 UNICAD 作为一种新颖的框架,通过集成多种技术提供了适应性解决方案,该框架能够实现准确的图像分类、检测未知类别和从对抗性攻击中复原,并且在对抗性缓解和未知类别分类方面表现优于传统模型。
- ICMLCRoFT:用于 OOD 泛化和开放集 OOD 检测的鲁棒微调和并发优化
本文提出了一种能够改善视觉 - 语言预训练模型(VL-PTMs)对闭集外分布数据的泛化能力,同时在微调期间有效检测开放集未知类别的目标函数方法。
- AlignZeg: 减轻零样本语义分割任务的目标偏移
通过提出一种名为 AlignZeg 的新架构,这篇研究论文解决了零样本图像分割中的目标不一致问题,显著提高了零样本语义分割的性能。
- 少样本零样本情境中的半监督学习
我们通过引入额外的熵损失构建了一个分类器,用于对来自已知和未知类别的数据进行分类,从而改进了现有的半监督学习方法在已知和未知类别的分类中的表现。通过在 CIFAR-100 和 STL-10 两个基准图像分类数据集上的实验证明,我们相对于现有 - ICCV元学习的零射界物体检测神经网络:Meta-ZSDETR
本文提出了一种结合 DETR 和元学习进行零样本目标检测的方法 Meta-ZSDETR,通过个体剧集为基础的元学习任务将模型训练形式化,直接使用类特定的查询进行类特定的边界框预测,并通过从分类头预测的准确性进一步过滤它们,利用提出的对比重建 - 面向联邦开放世界半监督学习的无偏训练
本文提出了一种新的 Federatedopen-world Semi-Supervised Learning(FedoSSL)框架,可解决分布式和开放式环境下训练过程中异构分布未知类所导致的偏差,通过使用抑制损失增强聚合效果和校准模块确保知 - CVPR知识引导下的视觉语言提示调优
本文提出了一种新的知识引导背景优化(KgCoOp)方法,通过减少学习提示和手工提示之间的差距,增强了学习提示在未知类别任务中的泛化能力,以实现更好的性能表现和更少的训练时间。
- MM利用背景作为未知元素的小样本开放式识别
该论文提出了一种新颖的方法来解决 few-shot open-set recognition 问题;首先,利用 background features 提取 pseudo unseen classes,将决策边界保留给 unseen cla - CVPRHardBoost:硬类别增强零样本学习
本文的研究重点在于解决零样本学习中的 “难分类” 问题,通过检测和利用难分类,可以显著提高性能。作者经过实证研究得出了难分类是无法避免的问题,并且设计了两个度量来检测难分类,最后提出了两个算法框架,在归纳和横向归纳两种情况下检测和利用难分类 - 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。
- CVPR组合嵌入进行开放式表示学习
通过表示学习,联合优化未知类的区分度和已知类的可泛化性,使用组合学习方法基于多个异构标签空间上的监督元分类器的复合知识自然地对未知类中的示例进行聚类,并通过无监督成对关系学习使待检测类别的特征更具有鲁棒性,实现对公共数据集的图像检索和图像分 - ICCV利用未标记视频对来自未见过的类别的对象进行更好的分割学习
本文探索使用未标注的视频序列自动生成未知类别对象的训练数据,介绍了一种基于贝叶斯方法的自动创建训练集的方法,并通过实验证明其能够显著提高分割未知类别对象的性能,从而可以利用丰富的互联网视频实现开放世界的实例分割。
- 自我训练在零标签语义分割中的应用
本研究提出使用自我生成伪标签来捕捉未标注图像数据中的潜在信息,在同一张图像的不同数据增强生成的多个伪标签交集的一致性正则化过滤噪声伪标签,结合人工标注数据重新训练模型,并不断迭代,以此达到在复杂的零标签语义分割场景下进行广义分类的任务的最新 - 通过同时生成和学习实现零样本学习
通过深度生成模型和多模态先验条件生成模型来实现零样本学习,无需非现有数据,可对可见和不可见类进行分类和生成。
- SIGIR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。
- 开放世界分类中的未见类别发现
该论文研究开放世界分类问题,提出一种联合开放分类模型,该模型可以通过远距离测量函数识别未知类别的被拒绝的测试样本,并应用于聚类分析中,从而实现对未知类别的识别。
- 利用语义保存的对抗嵌入网络进行零样本视觉识别
提出了一种称为 SP-AEN 的新框架,用于进行零样本视觉识别,其目的是解决嵌入式零样本学习中的语义丢失问题,通过对两个子空间的敌对学习来实现语义的转移和提高零样本识别能力。在基准测试中,相比其他最先进的方法,SP-AEN 不仅能提高分类性 - 典型先验:从提高分类到零样本学习
使用视觉原型概念作为侧面信息,通过将深度网络的输入图像映射到原型嵌入空间,实现对交通标志和商标标志等数据集的图像识别性能的提升,并能够有效地应对零样本学习的情景,从而实现对已知和未知类的统一测试以及在这两个数据集上超越某些最新零样本学习方法