Zero-Shot learning

最新推荐文章于 2024-08-24 17:36:51 发布
最新推荐文章于 2024-08-24 17:36:51 发布
阅读量1w 收藏 30
点赞数 5
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_38096703/article/details/80688072
版权
Zero-Shot Learning（ZSL）旨在通过利用类别描述信息，使模型能识别训练集中未出现的新类别。常见模型包括直接属性预测模型（DAP）、ALE模型和SAE模型，它们利用图像特征与类别属性向量进行学习。本文深入探讨了这些模型的工作原理，如属性预测和映射矩阵的学习，并提供了相关数据集的链接。
摘要由CSDN通过智能技术生成

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，便可以将这个类别识别出来。因此，在 ZSL 任务中，在训练集中见过的类别和测试集中没见过的类别是不相交的。

通常而言，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。

Zero-Shot learning的典型模型

1、直接属性预测模型（DAP）和间接属性预测模型（IAP）。

《Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer》

DAP可以理解为一个三层模型：第一层是原始输入层，例如一张电子图片（可以用像素的方式进行描述）；第二层是p维特征空间，每一维代表一个特征（例如是否有尾巴、是否有毛等等）；第三层是输出层，输出模型对输出样本的类别判断。在第一层和第二层中间，训练p个分类器，用于对一张图片判断是否符合p维特征空间各个维度所对应的特征；在第二层和第三层间，有一个语料知识库，用于保存p维特征空间和输出y的对应关系

简单来讲，就是对输入的每一个属性训练一个分类器，然后将训练得出的模型用于属性的预测，测试时，对测试样本的属性进行预测，再从属性向量空间里面找到和测试样本最接近的类别。

缺点：

  • 算法引入了中间层，核心在于尽可能得判定好每幅图像所对应的特征，而不是直接去预测出类别；因此DAP模型在判定属性时可能会做得很好，但是在预测类别时却不一定；
  • 无法利用新的样本逐步改善分类器的功能；
  • 无法利用额外的属性信息（如Wordnet等)

2、ALE模型

《Label-Embedding for Attribute-Based Classification》

在分类问题中，每个类别被映射到属性空间中，即每个类别可用一个属性向量来表示（例如：熊猫—>（黑眼圈，爱吃竹子，猫科动物......））。ALE模型即学习一个函数F，该函数用于衡量每

最低0.47元/天 解锁文章
心絮
关注
zero-shot learning
autocyz
06-01 5986
Zero-shot Learning参考文献《Zero-Shot Learning with Semantic Output Codes》背景在分类问题中，因为数据库大小有限，因此在使用分类模型进行预测时，出现了在训练集没有出现过的类别。举个例子，我们有个小型数据库，里面所含的类别只有人、鸟、汽车，经过我们的训练，发现模型对于这些类别的目标已经有很好的性能了，但是突然出现了一个新的类别——狗，此时模
Zero-shot learning（零样本学习）
weixin_30341735的博客
07-07 1665
一、介绍 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，便可以将这个类别识别出来。 ...
大模型提示工程技术 | 六十、Zero-shot Learning（零样本学习）、Few-shot Learning（少样本学习）
最新发布
Androiddddd的博客
08-24 1086
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频，免费分享！
零次学习（Zero-Shot Learning）
HelloWorld的博客
05-24 2118
这可以通过多种方式实现，例如，可以训练一个神经网络，使得同一类别的样本的特征在类别嵌入空间中尽可能接近，而不同类别的样本的特征在类别嵌入空间中尽可能远离。请注意，这只是ZSL的一个非常简化的版本，实际的ZSL模型可能会考虑更复杂的情况，例如类别间的关系，或者使用更复杂的映射函数等。我建议你在阅读这些论文的同时，也查阅一下他们的引用文献，以了解更多相关的工作。零次学习（Zero-Shot Learning，ZSL）的基本原理是通过学习已知类别和语义描述之间的映射，从而理解并识别新的、未曾见过的类别。
（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...
Zero-Shot Learning零样本学习 入门 基本概念
River_J777的博客
12-19 1737
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
Zero shot learning
qq_51143009的博客
12-02 3272
Zero shot learning 主要考察的问题是如何建立语义和视觉特征的关系（视觉特征一般用预训练好的CNN提取特征，不再进行fine-tine） 为了预测从未在训练集上出现的目标种类，仿照人的思维迁移，能根据某些特征描述（他和谁长得像，有点类似于科学家第一次看见鸭嘴兽的感觉），猜测一个从未见过的目标种类。 Zero shot learning:假设斑马是未见过的类别，但根据描述和过去知识的印象即马（和马相似）、老虎（有条纹）、熊猫（颜色）相似进行推理出斑马的具体形态，从而能对新对象进行辨认。 零
元学习综述，meta learning，A Survey of Zero-Shot Learning + poster
07-09
零样本学习（Zero-Shot Learning）是元学习的一个重要应用领域，它挑战了机器学习的传统边界，目标是让模型在没有看到过任何特定类别的实例时，也能识别这些类别。这通常通过利用类别之间的语义关系，如预先定义的...
Goal-Oriented Gaze Estimation for Zero-Shot Learning.pdf
11-19
零样本学习（Zero-Shot Learning, ZSL）是计算机视觉领域的一种重要方法，旨在通过从已知类别转移语义知识来识别未见类别。这种方法的关键在于利用不同类别间的共享属性来建立视觉与语义之间的联系。然而，当前的ZSL...
A Survey of Zero-Shot Learning(零样本学习综述)
10-07
近年来，零样本学习（ZSL，zero-shot learning）已经在大量的任务中受到了广泛的关注。本文为大家带来了南洋理工大学的零样本学习最新综述，希望对大家有所帮助。 A Survey of Zero-Shot Learning: Settings, ...
Zero-Shot Learing问题数据集分享（GoogleNet 提取）
_提拉米苏的博客
01-19 2697
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:
Zero Shot | 一文了解零样本学习
zenRRan的博客
01-11 1万+
每天给你送来NLP技术干货！来源｜知乎 作者｜恒大大地址｜https://zhuanlan.zhihu.com/p/142057964报道｜人工智能前沿讲习网上有一些关于零样本学习的讨论...
深度学习中的ZeroshotLearning
程序员光剑
01-28 783
1.背景介绍 在深度学习领域，Zero-shot Learning(零距离学习)是一种非常有趣的研究方向。它旨在解决一种特定的学习问题：如何在没有任何来自新类别的训练数据的情况下，对新类别进行分类和识别。这篇文章将涵盖 Zero-shot Learning 的背景、核心概念、算法原理、最佳实践、应用场景、工具和资源推荐以及未来发展趋势与挑战。 1. 背景介绍 在传统的机器学习和深度学习中，我...
Zero-shot Learning学习笔记
爱学习爱运动的专栏
11-01 706
Zero-shot Learning学习笔记
[paper] Zero-Shot Learning with Semantic Output Codes [NIPS 2009]
hackspace的专栏
04-23 801
Zero-Shot Learning with Semantic Output Codes [NIPS 2009]zero-shot和one-shot：在分类场景下（或序列标注或NLU），在已知的几个topic或domain内（domain A,B,C），已经训练出了性能较好的分类器。此时想解决针对新的domain D的分类问题，然而D domain的样本非常少（one-shot），或者没有（ze...
DL概念之zero-shot learning
C++
12-10 288
Zero-shot learning       zero-shot learning 指在训练模型时，没有这个类别的训练样本。但是我们可以学习到一个映射/模型X->Y。若此映射/模型足够好的话，我们就可以处理没有看到的类了。 比如，我们在训练时没有看见过狮子的图像，但是我们可以用这个映射得到狮子的特征。一个好的狮子特征，可能就和猫，老虎等等比较接近，和汽车，飞机比较远离。      ...
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 2913
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。
Synthesized Classifiers for Zero-Shot Learning
07-14
Synthesized Classifiers for Zero-Shot Learning（零样本学习的合成分类器）是一种用于解决零样本学习问题的方法。在传统的分类任务中，我们通常有大量的标记样本来训练分类器。但在零样本学习中，我们面临的挑战是缺乏训练样本来学习未知类别的分类器。 为了解决这个问题，Synthesized Classifiers方法使用已有的类别信息和属性信息来合成新的分类器。具体而言，该方法首先通过提取类别的属性信息，例如物体的颜色、形状、纹理等，形成一个属性矩阵。然后，通过计算不同类别之间的属性相似度，构建一个属性相似度矩阵。接下来，使用这个属性相似度矩阵来合成新的分类器。 合成分类器的基本思想是根据已有类别的属性相似度来预测未知类别的属性，并根据预测的属性来进行分类。通过合成分类器，我们可以将未知类别映射到属性空间，并进行分类。 Synthesized Classifiers方法在零样本学习中具有较好的性能，并且可以应用于各种领域，例如图像分类、自然语言处理等。它为解决零样本学习问题提供了一种有效的方法。
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