近期必读的6篇 NeurIPS 2019 的零样本学习(Zero-Shot Learning)论文

最新推荐文章于 2024-03-21 11:28:57 发布

研究僧Zjc

最新推荐文章于 2024-03-21 11:28:57 发布

阅读量3.1k

点赞数

分类专栏：目标识别文章标签： Zero-shot NeurIPS

本文链接：https://blog.csdn.net/qq_42671132/article/details/103688468

版权

本文汇总了2019年NeurIPS会议上关于零样本学习(Zero-Shot Learning, ZSL)的6篇重要论文，涵盖知识迁移、转导ZSL、多注意力定位、ZSL语义分割等方向，旨在探讨如何在无目标类数据的情况下进行有效学习和迁移。" 123458917,10054618,VxWorks实时操作系统多任务与通信详解,"['嵌入式硬件', '驱动开发', '实时操作系统']

摘要由CSDN通过智能技术生成

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。NIPS 2019大会已经在12月8日-14日在加拿大温哥华举行。这次专知小编发现零样本学习(Zero-Shot Learning, ZSL)在今年的NeurIPS出现了好多篇，也突出其近期的火热程度，为此，专知小编整理了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。

1. Zero-shot Knowledge Transfer via Adversarial Belief Matching

作者：Paul Micaelli and Amos Storkey

摘要：在现代深度学习应用中，将知识从一个大的teacher network迁移到一个小的student network中是一个很受欢迎的任务。然而，由于数据集的规模越来越大，隐私法规也越来越严格，越来越多的人无法访问用于训练teacher network的数据。我们提出一种新方法，训练student network在不使用任何数据或元数据的情况下，与teacher network的预测相匹配。我们通过训练一个对抗生成器来搜索student与teacher匹配不佳的图片，然后使用它们来训练student，从而达到这个目的。我们得到的student在SVHN这样的简单数据集上与teacher非常接近，而在CIFAR10上，尽管没有使用数据，我们在few-shot distillation (100 images per class)的技术水平上进行了改进。最后，我们还提出了一种度量标准，来量化teacher与student在决策边界附近的信念匹配程度，并观察到我们的zero-shot student与teacher之间的匹配程度显著高于用真实数据提取的student与teacher之间的匹配程度。我们的代码链接如下: