Semantic Autoencoder for Zero-Shot Learning

最新推荐文章于 2024-06-14 09:39:42 发布
最新推荐文章于 2024-06-14 09:39:42 发布
阅读量2.9k 收藏 12
点赞数 5
分类专栏： 文献阅读 文章标签： zero-shot learning 迁移学习 深度学习 计算机视觉
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/qq_27871973/article/details/80982083
版权
本文介绍了零样本学习（ZSL）的研究背景，探讨了如何利用语义自编码器（SAE）解决领域漂移问题。通过在自编码器中引入约束，使得模型能学习到样本的高维语义特征，从而实现从特征空间到语义嵌入空间的映射。文章详细阐述了SAE的结构和优化过程，并展示了其在多个数据集上的优秀性能和效率。
摘要由CSDN通过智能技术生成

前言

zero-shot learning（ZSL）是近几年研究的一个热点问题，每年在计算机视觉领域的顶级期刊都会有几篇典型的论文被刊登，比如CVPR。在传统的计算机视觉任务中，一般以多分类问题为基础，比如我们要识别出几个类别：狗、椅子、人，在训练分类模型时，我们会输入三种类别的图像数据去训练模型，对于给定的一个新图片，模型就可以给出一个标签（这张测试图像属于狗、椅子或人）。这个时候就有学者给出不同的想法：

 

  • 当训练样本的标签类别和测试样本的标签类别一致时，即测试样本的图像类别都是训练样本中出现过的，这属于我们常说的多分类任务。
  • 当测试样本的标签类别和训练样本不一致时，即测试样本的图像类别有一类或者更多类没有在训练样本中出现过，这个问题就属于zero-shot learning研究的范畴。

比如上述的多分类任务，突然待测图片是一张汽车，计算机识别的时候就有了困难，计算机通过模型学习得到知识中没有这个标签，但又不得不给出预测......而ZSL从一种新的角度来解决这种问题。在ZSL中，测试样本的某一类别在训练样本中未出现，但是可以通过某些方法提取这个类别的特征，然后通过语料知识库，可以将这个未知的样本描述出来。

zero-shot learning相对比计算机视觉的其他问题比如多分类、目标检测等，一个重要理论基础就是利用高维语义特征代替样本的低维特征，使得训练出来的模型具有迁移性。我们知道卷积神经网络具有将低维的图像特征（像素

最低0.47元/天 解锁文章
来一包板栗
关注
专栏目录
Zero-shot Learning零样本学习 论文阅读（三）——Semantic Autoencoder for Zero-Shot Learning
River_J777的博客
12-27 1244
江浩然 \quad \quad \quad \quad \quad 统计1701班 \quad \quad \quad \quad \quad 201714020111
DeepLearning | Semantic Autoencoder for Zero Shot Learning 零样本学习 (论文、算法、数据集、代码)
冯良骏 的 博客
03-02 4370
这两天事情比较少，这里再分享一个简单好用的ZSL算法 Semantic Autoencoder for Zero Shot Learning 之前也写过几篇博客简单描述了几种基本的ZSL算法 DeepLearning | Relational Knowledge Transfer for Zero Shot Learning（论文、算法、数据集、代码） DeepLearning | Zero Sh...
[CVPR 2017] Semantic Autoencoder for Zero-Shot Learning论文笔记
A13120295的博客
03-16 313
http://openaccess.thecvf.com/content_cvpr_2017/papers/Kodirov_Semantic_Autoencoder_for_CVPR_2017_paper.pdf Semantic Autoencoder for Zero-Shot Learning，Elyor Kodirov Tao Xiang Shaogang Gong，Queen...
推荐：Semantic Autoencoder — 零样本学习的创新解决方案
最新发布
gitblog_00042的博客
06-14 320
推荐：Semantic Autoencoder — 零样本学习的创新解决方案 项目地址:https://gitcode.com/Elyorcv/SAE 在计算机视觉领域，零样本学习（Zero-shot Learning, ZSL）是一种旨在通过未见过类别的先验知识进行图像分类的技术。它挑战了模型对于未知概念的理解和泛化能力。现在，我们向您推荐一款强大的工具——Semantic Autoencode...
《Semantic Autoencoder for Zero-Shot learning》阅读笔记
Danidy的博客
06-20 992
一、介绍 由CVPR2017收录。利用语义自编码器实现zero-shot learning的工作，其主要贡献是： （1）提出了一种新的用于zero-shot learning语义自编码模型； （2）提出了模型对应的高效的学习算法； （3）算法具有扩展性，可以用于监督聚类问题（supervised clustering问题）。实验证明，该算法在多个数据集上能取得最好效果。 --------...
Semantic Autoencoder for Zero-Shot learning阅读笔记CVPR2017收录
不会讲段子的正能量小王子
06-20 7974
论文地址：https://arxiv.org/pdf/1704.08345.pdf 代码地址：https://elyorcv.github.io/projects/sae 该论文已经被CVPR2017收录。主要是关于利用语义自编码器实现zero-shot learning的工作。一定程度上解决了训练集和测试集的领域漂移（domain shift）问题。整个算法最核心的地方是在自编码器进行编码和
Zero-Shot Learing问题数据集分享（GoogleNet 提取）
_提拉米苏的博客
01-19 2704
Zero-Shot Learing问题数据集分享（GoogleNet 提取） 提供几个最常用的Zero-Shot Learning的数据集，均为GoogleNet提取的图片特征，引用相应数据时，请注意对应作者的引用说明。 AwA: http://pan.baidu.com/s/1nvPzsXb CUB: http://pan.baidu.com/s/1nv3KCYH aPaY: http:
论文阅读——Zero-Shot Learning with Semantic Output Codes
jackeydeng123的博客
07-12 876
    最近实验室师兄师姐在搞Zero-Shot Learning的东西，我也来凑热闹看看相关论文。    定义一：语义特征空间（Semantic Feature Space）            如，用一个五维的语义特征空间来描述动物的高级特性，每一维分别代表：是否有毛？是否有尾巴？在水下能否呼吸？是不是吃肉？运动起来是不是很慢？    在这个语义特征空间，一只狗可以用一点{1，1，0，1，0...
DeepLearning | Zero shot learning 零样本学习AWA2 图像数据集预处理
冯良骏 的 博客
12-23 1万+
因为有打算想要写一组关于零样本学习算法的博客，需要用到AWA2数据集作为demo演示 之前想只展示算法部分的代码就好了，但是如果只展示算法部分的代码可能不方便初学者复现，所以这里把我数据预处理的方法也说一下，博客的最后会给一个处理好的数据下载地址，之后的博客都会利用该博客的方法作为数据预处理 我会对AWA2数据集做一个详细的介绍，对数据集有一个好的理解本身也有助于算法的学习和实现 AWA2 图像数...
Zero-Shot learning
qq_38096703的博客
06-14 1万+
Zero-Shot learning在传统的分类模型中，为了解决多分类问题（例如三个类别：猫、狗和猪），就需要提供大量的猫、狗和猪的图片用以模型训练，然后给定一张新的图片，就能判定属于猫、狗或猪的其中哪一类。但是对于之前训练图片未出现的类别（例如牛），这个模型便无法将牛识别出来，而ZSL就是为了解决这种问题。在ZSL中，某一类别在训练样本中未出现，但是我们知道这个类别的特征，然后通过语料知识库，便...
Zero Shot Learning | 零样本学习算法解析(数据与算法)
vcc12v的博客
04-14 1551
之前在看故障诊断论文中，偶尔看到了关于零样本学习(Zero Shot Learning)的内容，一直就对零样本学习这个主题很感兴趣。然而，一直对零样本的数据设置与相关算法感到一知半解，直到最近看到了Liangjun_Feng(CSDN)大佬的博客，结合Relational Knowledge Transfer for Zero-Shot Learning论文，以及Liangjun_Feng复现的代码，才算初探了零样本学习的门径。因此，发表这一篇CSDN博客。
zero-shot learning 论文三篇小结
liuyuemaicha的专栏
06-27 1万+
what is zero-shot learning zero-shot learning 是为了能够识别在测试中出现，而在训练中未遇到过的数据类别。例如识别一张猫的图片，但在训练时没有训练到猫的图片和对应猫的标签。那么我们可以通过比较这张猫的图片和我们训练过程中的那些图片相近，进而找到这些相近图片的标签，再通过这些相近标签去找到猫的标签。（个人认为zero-shot learning应该属于迁移
（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...
什么是零次学习（zero-shot Learning）篇一
DavenDW
08-14 1万+
最近再进行Zero-Shot Learning关于知识图谱嵌入的研究，这篇文章开始将会从调研Zero-Shot Learning开始逐步记录整个类似问题做知识嵌入的研究过程。 本章80%翻译自一个公开的科学散记 也有本小弱观看去年CVPR的tutorial的个人见解，更多思考会在之后详细说明。 Introduction 在过去的几十年里，机器变得更加智能，但如果没有将机器所见训练...
Latent Embeddings for Zero-shot Classification
cv_family_z的博客
07-29 2811
CVPR2016Latent Embeddings for Zero-shot Classification本文还是针对 zero-shot classification 问题。以前基于 structured embedding frameworks 解决这个问题的思路主要如下：首先将 图像和 类别信息映射到某些多维向量空间。 一般图像的嵌入信息（ Image embeddings ）通过 CNN
阅读笔记：自动发现，关系估计，学习上千个类别的语义属性，扩展zero-shot learning
不会讲段子的正能量小王子
06-15 3449
论文《Automatic Discovery, Association Estimation and Learning of Semantic Attributes for a Thousand Categories》。 论文地址：https://arxiv.org/pdf/1704.03607.pdf
zero-shot generalization
01-13
Zero-shot generalization refers to the ability of a model to generalize its knowledge and perform well on tasks or domains that it has never been explicitly trained on. It involves transferring knowledge learned from one task or domain to another without any direct supervision or training data. This is achieved by leveraging the semantic relationships between different tasks or domains. For example, in vision-language models, zero-shot generalization can be demonstrated by training a model on a dataset that contains images and their corresponding textual descriptions. The model can then be tested on a different dataset where it is required to generate textual descriptions for new images that it has never seen before. Despite not being trained on this specific task, the model can still generate meaningful and accurate descriptions by leveraging the knowledge it has learned from the training dataset. Zero-shot generalization is an important capability for models to adapt and perform well in real-world scenarios where new tasks or domains may emerge. It reduces the need for extensive retraining or fine-tuning of models for every new task, saving time and computational resources.
评论 4
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