[TIP 2019] Zero-Shot Learning via Category-Specific Visual-Semantic Mapping and Label Refinement

最新推荐文章于 2024-02-01 15:47:04 发布
最新推荐文章于 2024-02-01 15:47:04 发布
阅读量202 收藏
点赞数 1
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/cp_oldy/article/details/107442278
版权

[paper]

AEZSL (adaptive embedding ZSL)动态映射的ZSL。之前的论文在源域上学习一个视觉语义映射W，然后直接将这个矩阵用在目标域。本文考虑了不同类别视觉语义映射会有很大差异，为每一个类别都学习一个映射W。源域使用图片和标签，进行学习。目标域通过计算和源域每个类的相似性（余弦距离），然后加权求和得到视觉语义映射矩阵W。

这篇论文和AdaGraph有相似之处。AdaGraph是为每个源域学习一个分类器，构建一个源域和目标域的关系图，利用元数据计算源域和目标域的相似性，然后通过对源域的分类器参数进行加权求和得到目标域的分类器参数。

AEZSL用两个类别的语义向量的余弦距离计算语义相似性，AdaGraph用域的元数据的 e − d ( ϕ ( v 1 ) , ϕ ( v 2 ) ) ) e^{−d(ϕ(v1),ϕ(v2)))} e−d(ϕ(v1),ϕ(v2)))计算两个域的相关性。

上交，牛力

一亩高粱
关注
论文笔记003:[TIP2019] SiGAN:Siamese Generative Adversarial Network for Identity-Preserving Face Hallucin
qq_41876456的博客
06-04 711
摘要 现有的生成对抗网络可以从低分辨率的人脸生成高分辨的人脸，但是不能对高分辨率的人脸做一个识别。为了解决这个问题，作者提出了SIGAN：第一能够从低分辨的人脸中生成高分辨的人脸，第二是修复后的人脸能做身份识别。 主要贡献： 1.提出的SIGAN能够生成高分辨率的人脸和身份标识信息 2.weak binary成对标签的提出：成对的人脸是属于同一个人还是不属于同一个人，用于身份标签信息识别。不需要全部标注信息，减少了工作量，主要是在constractive loss上发挥作用。 方法 1.GAN：两个生成.
TIP 2019开源论文：基于深度学习的HEVC多帧环路滤波方法
Paper weekly
11-16 1705
作者丨李天一学校丨北京航空航天大学博士生研究方向丨视频编码与深度学习本文概述的是作者近期在 IEEE TIP 期刊上发表的论文：A Deep Learning Appro...
阅读笔记（TIP2019）Local-Adaptive Image Alignment Based on Triangular Facet Approximation
小秋在路上~
02-01 595
DOI: 10.1109/TIP.2019.2949424
VIPL Lab 9篇ACM MM 2019和IEEE TIP 论文精解
我爱计算机视觉
09-11 2154
点击我爱计算机视觉标星，更快获取CVML新技术春华秋实，硕果累累。近期，中国科学院计算技术研究所视觉信息处理与学习研究组（VIPL实验室）再创佳绩，有6篇论文被ACM MM 2019接收...
零示例学习中的映射域迁移 (projection domain shift) 问题
weixin_33737134的博客
10-10 835
雷锋网(公众号：雷锋网) AI 科技评论按：本文由上海交通大学副教授牛力为 AI 科技评论提供的独家稿件，未经许可不得转载。 在传统的机器学习中，训练和测试都在相同的种类集合上进行。而在零示例学习 (zero-shot learning) 中，训练种类集合和测试种类集合没有重合，即在属于训练种类集合的数据上训练模型，然后在属于测试种类集合的数据上进行...
Zero-shot learning（一）：ZSL的基本概念
qq_33328642的博客
04-26 8536
** Zero-shot learning（一）：ZSL的基本概念 -------好久没中一区论文了，在此立个旗。今天把所有的思路整理出来，看过的论文之类的罗列出来。有错误的地方大家批评指正，内容多数是各界大牛的论文，大家一起研究。本文内容大家也可以随便转发或copy。 -------这一章都是基本概念，初学者、或者是对概念不清楚的等同行可以进来看看。基础比较深厚的可以去看后面的内容，或者不看，轻...
Zero-Shot相关论文阅读报告
MinCong Luo的博客
06-01 6354
# Zero-Shot Learning with Semantic Output Codes 论文:Zero-Shot Learning with Semantic Output Codes We consider the problem of zero-shot learning, where the goal is to learn a classifier f:X→Y...
近期必读的6篇 NeurIPS 2019 的零样本学习(Zero-Shot Learning)论文
qq_42671132的博客
12-24 3188
近期必读的6篇 NeurIPS 2019 的零样本学习(Zero-Shot Learning)论文 PS:转发自“专知”公众号 【导读】NeurIPS 是全球最受瞩目的AI、机器学习顶级学术会议之一，每年全球的人工智能爱好者和科学家都会在这里聚集，发布最新研究。NIP...
（转）零次学习（Zero-Shot Learning）入门
热门推荐
一路向北
08-22 4万+
零次学习（Zero-Shot Learning）入门 小栗子    转自：https://zhuanlan.zhihu.com/p/34656727?spm=5176.9876270.0.0.399ce44aXsg7cN  谢谢作者 事物的本质反映世界构成的规律 408 人赞了该文章 很久没有更文章了，主要是没有找到zero-shot learning(ZSL)方面我特别想要分享的...
[CVPR 2019] Semantic Projection Network for Zero- and Few-Label Semantic Segmentation
一亩高粱
08-31 1269
zero- and few-label semantic segmentation
零样本语义分割总结（Zero shot semantic segmentation）
qq_21157073的博客
08-22 4422
Context-aware Feature Generation for Zero-shot Semantic Segmentation 关键点：生成网络不使用随机噪声，而是CM模块生成的上下文相关编码 E网络提取特征，并且诶使用CM模块提取图片的上下文编码 将图片的class embedding 和 CM 模块的编码输入到生成网络中，生成fake sample D用来判断real sample和fake sample，C对生成的fake sample 完成分类，最后达到的效果是G可以根据输入的clas
Zero-shot Learning零样本学习 论文阅读（八）——Zero-Shot Semantic Segmentation
River_J777的博客
02-09 1045
Zero-shot Learning零样本学习 论文阅读（八）——Zero-Shot Semantic Segmentation算法模型算法思路算法流程 这是一篇关于基于生成方式的零样本语义分割的论文。 算法模型 算法思路 Zero-shot learning解决了训练实例集并非包含所有类别的识别问题。通过使用类别的高级描述，可以使新类别(unseen classes)与可以使用训练实例的类别(seen classes)相关联来实现这一点，通常利用中间表示形式即有关类别信息的语义信息来完成学习。 将语义信息
【论文笔记】Zero-shot Recognition via semantic embeddings and knowledege graphs
a1424262219的博客
03-31 1225
Zero-shot Recognition via semantic embeddings and knowledege graphs 2018-03-3115:38:39 【Abstract】 　　我们考虑 zero-shot recognition 的问题：学习一个类别的视觉分类器，并且不用 training data，仅仅依赖于 类别的单词映射（the word ...
电子工程0欧姆电阻在PCB设计中的多功能应用
04-03
内容概要：0欧姆电阻在电路设计中有多种重要作用。它不仅可以在PCB上为调试提供便利，还能用于跳线、替代不确定参数的元件以及测量电路的耗电流。此外，在布线困难时可作为应急解决方案。在高频信号环境下，它能充当电感或电容，有助于解决EMC问题。对于地线处理，0欧姆电阻可用于实现单点接地，避免模拟地和数字地直接大面积相连带来的互相干扰问题。在跨接电流回路方面，它可以提供较短的回流路径，减少干扰。同时，0欧姆电阻还适用于配置电路，防止用户误操作跳线或拨码开关，并且在布线、调试、测试、温度补偿等方面有着广泛应用，尤其在EMC对策中表现突出。; 适合人群：电子工程师、硬件设计师以及对电路设计感兴趣的爱好者。; 使用场景及目标：①在PCB设计阶段，利用0欧姆电阻进行灵活的电路调试与优化；②解决高频信号下的EMC问题，确保电路稳定性和抗干扰能力；③实现单点接地，避免不同地线间的相互干扰；④提高电路的可维护性和可靠性，降低生产成本。; 阅读建议：本文详细介绍了0欧姆电阻在电路设计中的多种应用场景，读者应结合具体项目需求来理解和运用这些知识，特别是在面对复杂的电路布局和电磁兼容性问题时，要充分考虑0欧姆电阻的独特优势。
一个基于SpringBoot+Mybatis+Mysql+Html实现的页面登录案例
04-03
mysql安装教程 一个基于SpringBoot+Mybatis+Mysql+Html实现的页面登录案例.
全域旅游综合解决方案PPT(71页).pptx
04-03
在探索智慧旅游的新纪元中，一个集科技、创新与服务于一体的整体解决方案正悄然改变着我们的旅行方式。智慧旅游，作为智慧城市的重要分支，旨在通过新一代信息技术，如云计算、大数据、物联网等，为游客、旅游企业及政府部门提供无缝对接、高效互动的旅游体验与管理模式。这一方案不仅重新定义了旅游行业的服务标准，更开启了旅游业数字化转型的新篇章。 智慧旅游的核心在于“以人为本”，它不仅仅关注技术的革新，更注重游客体验的提升。从游前的行程规划、信息查询，到游中的智能导航、个性化导览，再到游后的心情分享、服务评价，智慧旅游通过构建“一云多屏”的服务平台，让游客在旅游的全过程中都能享受到便捷、个性化的服务。例如，游客可以通过手机APP轻松定制专属行程，利用智能语音导览深入了解景点背后的故事，甚至通过三维GIS地图实现虚拟漫游，提前感受目的地的魅力。这些创新服务不仅增强了游客的参与感和满意度，也让旅游变得更加智能化、趣味化。 此外，智慧旅游还为旅游企业和政府部门带来了前所未有的管理变革。通过大数据分析，旅游企业能够精准把握市场动态，实现旅游产品的精准营销和个性化推荐，从而提升市场竞争力。而政府部门则能利用智慧旅游平台实现对旅游资源的科学规划和精细管理，提高监管效率和质量。例如，通过实时监控和数据分析，政府可以迅速应对旅游高峰期的客流压力，有效预防景区超载，保障游客安全。同时，智慧旅游还促进了跨行业、跨部门的数据共享与协同合作，为旅游业的可持续发展奠定了坚实基础。总之，智慧旅游以其独特的魅力和无限潜力，正引领着旅游业迈向一个更加智慧、便捷、高效的新时代。
工业自动化中模拟量滤波防抖PLC程序的实现与应用
04-03
内容概要：本文详细介绍了如何通过PLC程序实现模拟量滤波防抖，确保电流、电压和热电阻等信号的准确采集。核心算法采用掐头去尾平均法，即去掉一组数据中的最大值和最小值后取剩余数据的平均值，以消除因环境干扰导致的异常值。文中提供了详细的代码实现步骤，包括数据结构定义、主程序逻辑、间接寻址方法以及参数配置。此外，还讨论了如何通过死区判断和上升率限制进一步优化滤波效果，提高系统的稳定性和响应速度。 适合人群：从事工业自动化领域的工程师和技术人员，尤其是熟悉PLC编程和模拟量信号处理的专业人士。 使用场景及目标：适用于需要高精度模拟量信号采集的工业控制系统，如电力、化工、制造业等领域。主要目标是提升数据采集的准确性和稳定性，减少外部干扰带来的误差。 其他说明：文中提供的代码示例基于西门子S7-1200/1500系列PLC，但相关原理和方法同样适用于其他品牌的PLC。建议在实际应用中根据具体情况调整参数设置，以达到最佳效果。
【人工智能大模型发展】从技术突破到场景落地：大模型发展图谱与DeepSeek创新应用解析
04-03
内容概要：本文详细介绍了大模型的发展现状与未来趋势，尤其聚焦于DeepSeek这一创新应用。文章首先回顾了人工智能的定义、分类及其发展历程，指出从摩尔定律到知识密度提升的转变，强调了大模型知识密度的重要性。随后，文章深入探讨了DeepSeek的发展路径及其核心价值，包括其推理模型、思维链技术的应用及局限性。此外，文章展示了DeepSeek在多个行业的应用场景，如智能客服、医疗、金融等，并分析了DeepSeek如何赋能个人发展，具体体现在公文写作、文档处理、知识搜索、论文写作等方面。最后，文章展望了大模型的发展趋势，如通用大模型与垂域大模型的协同发展，以及本地部署小模型成为主流应用渠道的趋势。 适合人群：对人工智能和大模型技术感兴趣的从业者、研究人员及希望利用DeepSeek提升工作效率的个人用户。 使用场景及目标：①了解大模型技术的最新进展和发展趋势；②掌握DeepSeek在不同领域的具体应用场景和操作方法；③学习如何通过DeepSeek提升个人在公文写作、文档处理、知识搜索、论文写作等方面的工作效率；④探索大模型在特定行业的应用潜力，如医疗、金融等领域。 其他说明：本文不仅提供了理论知识，还结合实际案例，详细介绍了DeepSeek在各个场景下的应用方式，帮助读者更好地理解和应用大模型技术。同时，文章也指出了当前大模型技术面临的挑战，如模型的局限性和数据安全问题，鼓励读者关注技术的持续改进和发展。
电力负荷预测中LSSVM及其改进算法的性能对比研究
最新发布
04-03
内容概要：本文详细比较了四种基于最小二乘支持向量机(LSSVM)的短期电力负荷预测算法：原始LSSVM、SSA-LSSVM、VMD-LSSVM以及VMD-SSA-LSSVM。通过对这些算法的具体实现和性能评估，展示了每种方法的优势和局限性。实验结果显示，随着算法复杂度的增加，预测精度显著提高，特别是VMD-SSA-LSSVM在RMSE和MAPE等评价指标上表现出色，达到了接近真实值的预测效果。然而，这也伴随着计算成本的大幅上升。 适合人群：从事电力系统调度、数据分析、机器学习领域的研究人员和技术人员。 使用场景及目标：适用于需要进行短期电力负荷预测的研究项目或实际应用，旨在提高预测准确性，减少因天气变化、节假日等因素带来的不确定性影响。 其他说明：文中提供了详细的Python代码片段，帮助读者理解和复现相关算法。同时提醒，在选择模型时需综合考虑预测精度与计算效率之间的平衡。
什么是zero-shot 、few shot
02-11
### Few-Shot 学习与 Zero-Shot 学习的概念 #### Few-Shot 学习 Few-shot 学习是指机器学习模型能够在仅有少数几个样例的情况下完成新任务的能力。这种技术特别适用于数据稀缺的情况，在实际应用中非常有价值，因为获取大量标注数据往往成本高昂且耗时。 对于 few-shot learning 来说，算法通常会利用预先积累的知识来帮助理解和泛化到新的类别上。例如，如果一个图像分类器已经被训练用来区分猫、狗和其他常见宠物，则当面对从未见过的新物种如狐狸时，只需提供少量带有标签的例子就能快速调整并学会识别这一新类别[^1]。 ```python def train_few_shot_model(model, support_set, query_set): """ 训练少样本学习模型 :param model: 预先训练的基础模型 :param support_set: 支持集，含少量标记样本 :param query_set: 查询集，用于评估性能的数据集合 """ # 更新模型参数以适应新类别的特点 updated_parameters = fine_tune_on_support_set(support_set) predictions = [] for sample in query_set: prediction = predict_with_updated_params(sample, updated_parameters) predictions.append(prediction) return predictions ``` #### Zero-Shot 学习 Zero-shot 学习则更进一步，它允许模型在完全没有看到过目标类别的任何实例的前提下做出预测。这听起来似乎不可能实现，但实际上通过引入额外的信息源——比如属性描述或语义表示——使得这样的推断成为可能。具体而言，zero-shot 方法依赖于跨模态映射机制，即将不同类型的特征空间关联起来，从而即使是在缺乏直接观察的情况下也能建立起合理的判断依据[^2]。 考虑这样一个场景：给定一组已知动物种类及其视觉外观特征（如颜色、形状），以及文字形式的其他未知生物特性说明；借助这些辅助资料，系统应当有能力推测出未曾接触过的实体是什么样子，并据此作出相应决策。 ```python from sklearn.metrics.pairwise import cosine_similarity def zero_shot_predict(known_features, unknown_descriptions, new_instance_description): """ 使用零样本学习进行预测 :param known_features: 已知类别的特征向量矩阵 :param unknown_descriptions: 未见类别对应的自然语言描述列表 :param new_instance_description: 新实例的文字描述字符串 """ similarities = [] for desc in unknown_descriptions: sim_score = calculate_semantic_similarity(new_instance_description, desc) similarities.append(sim_score) best_match_index = np.argmax(similarities) predicted_class_vector = get_corresponding_feature_vector(best_match_index, known_features) return predicted_class_vector ``` 两种方法的主要差异在于它们对待新颖事物的方式： - **样本需求**：few- **信息来源**：前者主要依靠有限数量的实际观测来进行归纳推理，后者更多地依赖间接知识（如文本描述或其他形式的相关线索）来填补空白。
评论
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