【论文学习】零样本学习：Zero-Shot learning（2018CVPR）

最新推荐文章于 2024-08-05 10:01:34 发布
最新推荐文章于 2024-08-05 10:01:34 发布
阅读量3.6k 收藏 8
点赞数 2
分类专栏： 论文研读 文章标签： 零样本学习 迁移学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/always_ease/article/details/83893516
版权
本文探讨零样本学习（Zero-Shot Learning）的挑战，分析以往方法的不足，如特征表达能力有限、属性描述不充分及独立处理特征提取与嵌入空间构建。提出了一种新框架，包括图像特征网络、缩放网络和嵌入网络，共同训练以增强图像表征和语义区分。通过损失函数优化，实现更精准的类别区分。在AwA和CUB数据集上进行了实验验证。
摘要由CSDN通过智能技术生成

1、简介

见过和没见过的类别都要提供类别描述信息（比如用户定义的属性标注、类别的文本描述、类别名的词向量等）；某些描述信息是各个类别共有的。这些描述信息通常被称为辅助信息或语义表征。

典型 ZSL 方法的一个通用假设是：存在一个共有的嵌入空间，其中有一个映射函数：

定义这个函数的目的是对于见过或没见过的类别，衡量图像特征 φ(x) 和语义表征 ψ(y) 之间的相容性（compatibility）。W 是所要学习的视觉-语义映射矩阵。

 

2、以往工作的缺陷

到目前为止，映射矩阵 W 的学习（尽管对 ZSL 很重要）的主要推动力是视觉空间和语义空间之间对齐损失的最小化。但是，ZSL 的最终目标是分类未见过的类别。因此，视觉特征 φ(x) 和语义表征 ψ(y) 应该可以被区分开以识别不同的目标。不幸的是，这个问题在 ZSL 领域一直都被忽视了，几乎所有方法都遵循着同一范式：1）通过人工设计或使用预训练的 CNN 模型来提取图像特征；2）使用人类设计的属性作为语义表征。这种范式存在一些缺陷：

第一，图像特征 φ(x

最低0.47元/天 解锁文章
Always_ease
关注
专栏目录
零样本学习 (ZeroShot Learning)
AI架构设计之禅
09-15 1078
零样本学习 (Zero-Shot Learning) 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词 零样本学习，分类，预训练模型，迁移学习，知识蒸馏，多标签分类，跨模态学习
零样本学习（zero shot learning）
苏打水的杯子的博客
04-23 635
举个例子（如图），训练集包括horse、donkey、hyena、tiger、penguin、panda六个类别，这六个类别中每两个类别有一些相同特征，比如tiger和hyena都有条纹，模型训练完后便会将这些特征量化。测试集只有斑马这一个类别，因此也只有一个类别描述——Zebra Descriptions（horse-like，stripe，black&white），每个描述会包含几个特征，此时当我们输入斑马的图片时，模型会把图片与测试集中所有的类别描述一一比对，符合描述所有特征的即为正确分类。
零样本学习（论文+代码）
06-14
该程序是看了网上一篇论文后进行了复现包括了基础复现和原文复现（原文复现使用了pytorch框架）在该资源包中附带复现的论文，语义空间矩阵，相关程序，还有数据集的相关说明（由于数据集过大，请自行下载数据集）
零样本、单样本和小样本学习
最新发布
chen的博客
08-05 643
零样本、单样本和小样本学习为解决数据稀缺问题提供了不同的策略。通过实际案例，我们可以看到这些学习范式在各种应用中的巨大潜力。
零样本或少样本相关论文、数据集、代码、资源整理分享
lqfarmer的博客
12-28 2852
零样本学习（Zero-Shot Learning）是AI识别方法之一。简单来说就是识别从未见过的数据类别，即训练的分类器不仅仅能够识别出训练集中已有的数据类别，还可以对于来自未见过的类别的数据进行区分。这是一个很有用的功能，使得计算机能够具有知识迁移的能力，并无需任何训练数据，很符合现实生活中海量类别的存在形式。 在传统图像识别任务中，训练阶段和测试阶段的类别是相同的，但每次...
PyTorch深度学习实战（40）——零样本学习(Zero-Shot Learning)
盼小辉丶的博客
04-01 3040
零样本学习 (Zero-Shot Learning) 旨在解决传统监督学习中，当训练数据中不存在某个类别的样本时，如何对该类别进行分类的问题。在传统监督学习中，分类模型需要通过训练数据学习到每个类别的特征和模式，并在测试阶段根据这些学习到的知识对新样本进行分类。然而，在现实世界中，我们无法获得所有可能类别的训练样本，因此零样本学习成为了一种重要的解决方案。在本节中，我们将学习零样本学习的基本概念，并使用 PyTorch 实现零样本学习模型。
零样本学习 (Zero-Shot Learning)：突破传统机器学习的界限
AI天才研究院
06-30 100
在传统的机器学习范式中，模型的训练和测试通常基于同一分布的数据集。这种方法要求训练数据包含所有可能的类别，并且每个类别都有足够多的样本。然而，在现实世界中，我们经常面临需要识别或分类全新类别的情况，这些类别在训练数据中可能完全没有出现过。这就引出了一个关键问题：如何使机器学习模型能够识别和理解它从未见过的类别？零样本学习（Zero-Shot Learning，简称ZSL）正是为了解决这一挑战而提出的。它旨在训练一个能够识别未知类别的模型，即使在训练过程中没有见过这些类别的任何样本。
Zero-shot Learning零样本学习 论文阅读（六）——Feature Generating Networks for Zero-Shot Learning
River_J777的博客
01-08 563
Zero-shot Learning零样本学习 论文阅读（六）——Feature Generating Networks for Zero-Shot Learning背景生成对抗网络GAN算法模型思路模型 这篇CVPR 2018年发表的论文提出用对抗生成网络GAN来在特征空间生成数据的思想来解决zero-shot learning的问题。 背景 生成对抗网络GAN 生成对抗网络GAN是源自博弈论中的零和博弈，由两部分组成，分别是生成模型G(generative model)和判别模型(discriminat
Zero-Shot Learning零样本学习 学习进展汇总
River_J777的博客
12-31 1189
Zero-Shot Learning零样本学习 学习进展汇总基本概念什么是zero-shot learning?基本概念定义语义空间(Semantic Spaces)工程语义空间(Engineered Semantic Spaces)学习语义空间(Learned Semantic Spaces)最大后验概率论文阅读（一）DAP&IAP算法概要前提目标思路具体原理DAP(Directed attribute prediction)IAP(Indirected attribute prediction)
深度学习：zero-shot-learning（三）LatEm_cvpr2016
weixin_41108334的博客
09-26 763
https://blog.csdn.net/u011070272/article/details/73730244 https://blog.csdn.net/cv_family_z/article/details/52066547 Latent Embeddings for Zero-shot Classification _cvpr2016 图像嵌入信息 image embeddings...
近期必读的6篇 NeurIPS 2019 的零样本学习（Zero-Shot Learning）论文.zip
12-24
以下整理了NIPS 2019零样本学习(Zero-Shot Learning)相关的论文供大家学习收藏—零样本知识迁移、Transductive ZSL、多注意力定位、ZSL语义分割、对偶对抗语义一致网络。
零样本论文学习
qq_41692364的博客
11-22 823
2013《Label-Embedding for Attribute-Based Classification》 本文摘要：属性是一种中间表示，它（属性特征）支持类之间的参数共享，这在训练数据稀缺的情况下是必须的。我们提出将基于属性的图像分类看作一个标签嵌入问题：每一类都嵌入在属性向量空间中。我们引入了一个函数来衡量图像和标签嵌入之间的兼容性。该函数的参数是在标签样本的训练集上学习的，以确保在给定图像的情况下，正确的类别排名高于不正确的类别。在有属性动物和CUB数据集上的结果表明...
Zero-shot Learning / One-shot Learning / Few-shot Learning
清风与归
01-04 684
本文转载自https://blog.csdn.net/JNingWei/article/details/79235019，感谢原博主整理分享 1. Introduction 在 迁移学习 中，由于传统深度学习的 学习能力弱，往往需要 海量数据 和 反复训练 才能修得 泛化神功 。为了 “多快好省” 地通往炼丹之路，炼丹师们开始研究 Zero-shot Learning / One-shot L...
Zero-Shot Learning零样本学习 入门 基本概念
River_J777的博客
12-19 1749
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
从0单排：学风侏儒——零样本学习3篇论文
dilaoyu8794的博客
07-13 434
Zero shot learning 主要是zero-shot learning相关论文的阅读，主要关注于视频方面。 零样本问题现在处理视频的很少，主要是因为零样本自身就有不少的急需解决的问题： domain shift Hubness problem semantic gap 详情可以看这篇文章 零次学习（Zero-Shot Learning）入门 1. 15. Objects2a...
零样本学习（zero-shot learning）——综述
热门推荐
bobobe的专栏
05-01 1万+
-------本文内容来自对论文A Survey of Zero-Shot Learning: Settings, Methods, and Applications 的理解和整理，这里省去了众多的数学符号，以比较通俗的语言对零样本学习做一个简单的入门介绍，用词上可能缺乏一定的严谨性。一些图和公式直接来自于论文，并且省略了论文中讲的比较细的东西，如果感兴趣建议还是去通读论文 注：为了方便，文中“已...
零样本学习
qq_40128284的博客
07-15 1万+
前言 这篇博客为阅读论文后的总结与感受，方便日后翻阅、查缺补漏，侵删！ 论文： 零样本学习研究进展 零样本图像识别 零样本图像分类综述：十年进展 概念： 零样本学习 (Zero-shot learning).，零样本学习是迁移学习的一种特殊场景；在零样本学习过程中，训练类集和测试类集之间没有交集，需要通过训练类与测试类之间的知识迁移来完成学习，使在训练类上训练得 到的模型能够成功识别测试类输入样例的类标签。更一般来说，零样本学习如果模型在训练过程中，只使用训练类的样本进行训练,，且在测..
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值