- 谁写的?零样本长文本生成文本检测的关键是 GECScore
提出一种基于语法错误修正分数(GECScore)计算的黑盒零样本检测方法,通过区分人工编写和大型语言模型生成的文本,在零样本和有监督方法方面显著优于现有技术,获得平均 AUROC 为 98.7%的结果,并对近义词和对抗扰动攻击具有很强的鲁棒 - CVPR用于开放式物体检测的生成式区域语言预训练
生成式开放式物体检测是一种更通用、实用的问题,本论文提出了一个名为 GenerateU 的简单框架,将物体检测作为一个生成问题,可以以自由形式检测密集物体并生成它们的名称,通过广泛的实验验证了 GenerateU 的强大的零样本检测性能。
- SeeDS: 面向零样本食品检测的语义可分散合成器
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 - ICCVCLIPN 用于零猜测异常检测:教导 CLIP 说不
本文提出了一种名为 CLIPN 的新方法,通过使用正面语义提示和否定语义提示,赋予 CLIP 区分 OOD 和 ID 样本的能力,从而实现零样本 OOD 检测。实验结果表明,基于 ViT-B-16 的 CLIPN 在 ImageNet-1K - 使用图像标签增强零样本检测训练
该研究使用 ImageNet 图像标签结合 CLIP 嵌入空间,解决了零样本检测中输出嵌入对齐问题,实现了在 COCO 上的高准确度
- 盲领域转移实现零样本电机健康监测
本研究提出了一种零样本技术,使用一维操作生成对抗网络来进行故障检测,该方法在不同的工作条件下检测到了不同类型、严重程度和位置的轴承故障,并获得了约 89% 和 95% 的平均召回率。
- ECCV带伪边界框标签的开放词汇目标检测
本研究提出一种方法,从大规模图像 - 字幕对中自动生成多样物体的伪包围框注释,以扩大训练基础类别的范围,并通过实验证明该方法在各种数据集上比最先进的开放词汇检测器有更好的检测结果。
- 零样本物体检测中综合未见过的物体
提出了一种用于物体检测的零样本学习方法,通过合成视觉特征实现模型同时学习已知和未知的物体,并采用一种新颖的生成模型,使用类语义不仅生成特征,而且还对它们进行鉴别分离。在三个物体检测基准测试中表现优秀,超过现有技术方法。
- 零样本物体检测的可学习级联
本篇论文提出一种称作 “背景可学习级联” 的框架,采用级联语义 R-CNN 和背景可学习区域建议网络(BLRPN)结构,以改善零样本目标检测的性能,实验结果表明,该方法在 MS-COCO 上显著优于现有的方法。
- CVPR不要再看一次:合成特征实现零样本检测
本文介绍了一种名为 DELO 的检测算法,它通过综合未知对象的视觉特征并增强现有训练算法来实现零样本检测,并在 Pascal VOC 和 MSCOCO 上进行评估,并证明了与传统和其他零样本检测器相比的显着准确度提高。
- AAAI通过功能泛化检测人 - 物交互
本文提出了一种基于人与物体功能相似性的人类 - 物体交互检测方法,使用视觉特征、人类和物体之间的相对空间方向和功能相似物体参与相似交互的知识。在 HOI 数据集上,该方法在平均精度方面的绝对增益为 2.5%,并且在已知物体情况下实现了零样本