Contrastive Embedding for Generalized Zero-Shot Learning：广义零样本学习的对比嵌入

最新推荐文章于 2024-06-20 23:51:02 发布
最新推荐文章于 2024-06-20 23:51:02 发布
阅读量1.6k 收藏 8
点赞数
分类专栏： 零样本学习 文章标签： 学习 人工智能 迁移学习 深度学习
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_43215318/article/details/125668493
版权
该论文提出了一种混合广义零样本学习（GZSL）框架，通过集成生成模型和嵌入模型来解决数据不平衡问题。核心创新是对比嵌入（CE），它同时利用类监督和实例监督，提高了GZSL的性能。实验表明，这种方法在多个基准数据集上取得了最先进的或极具竞争力的结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

CVPR 2021 paper

目录

1.摘要

广义零样本学习（GZSL）的目标是当只提供可见类的已标记示例来识别可见类和不可见类的对象。

生成模型可以合成不可见的类中缺失的视觉特征，以减轻GZSL中的数据不平衡问题。然而，由于原始的视觉特征空间缺乏区分信息，对于GZSL分类是次优的。

我们建议将生成模型与嵌入模型集成，从而产生一个混合的GZSL框架。混合GZSL方法将生成模型产生的真实样本和合成样本映射到一个嵌入空间中，在那里我们执行最终的GZSL分类。

具体来说，我们为我们的混合GZSL框架提出了一个对比嵌入（CE）。所提出的对比嵌入不仅可以利用类监督，还可以利用实例监督，而后者通常被现有的GZSL研究所忽视。

2.思想

在语义空间中，我们可以通过直接将嵌入的数据点与给定的类级语义描述符进行比较来进行ZSL分类。语义嵌入方法在传统的ZSL中表现出色，但在更具挑战性的GZSL场景中，它们的性能大幅下降，因为它们在测试阶段严重偏向于可见类。

特征生成方法可以弥补不可见类训练样本的不足。将真实可见的训练特征和合成的不可见特征结合起来，可以训练一个监督模型来实现GZSL分类。然而，特征生成方法在原始特征空间中产生合成的视觉特征会远离语义信息，因此缺乏判别能力，对于GZSL分类来说是次优的。

为了两全其美，在本文中，我们提出了一个混合GZSL框架，将嵌入模型嫁接到特征生成模型之上。在我们的框架中，我们将特征生成模型产生的真实可见特征和合成不可见特征映射到新的嵌入空间。我们在新的嵌入空间中执行G

最低0.47元/天 解锁文章
广义零样本学习在生物多样性监测中的创新应用
AI天才研究院
03-20 886
生物多样性是地球生命系统的重要组成部分，对生态平衡、人类福祉和可持续发展至关重要。准确、高效地监测生物多样性对于了解生态系统的健康状况、制定保护策略具有关键意义。然而，传统的生物多样性监测方法存在成本高、效率低、依赖专业知识等问题。广义零样本学习作为一种新兴的机器学习技术，为解决这些问题提供了新的思路和方法。本文旨在探讨广义零样本学习在生物多样性监测中的创新应用，涵盖从核心概念到实际项目应用的各个方面，为相关领域的研究人员和从业者提供全面的技术指导和参考。
Contrastive Embedding for Generalized Zero-Shot Learning＜2021CVPR阅读笔记＞
qq_46025283的博客
10-08 1187
论文出处：Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021 背景 这篇论文出自2021年CVPR，这篇论文在传统ZSL的基础上进行了改进，个人觉得还是有很多值得学习的地方。 首先，归纳总结一下，传统的ZSL的做法是学习一个语义嵌入函数，即将视觉特征映射到语义描述空间。然后，在改语义描述空间上，将嵌入的数据点与给定的类及层次语义...
Contrastive Embedding for Generalized Zero-Shot Learning
yanhu6955的博客
11-16 1949
Contrastive Embedding for Generalized Zero-Shot Learning 1 Introduction GZSL在分类训练中存在原始特征空间远离语义信息从而导致缺乏辨别能力。文献提出一种混合GZSL框架，是基于特征生成方法和嵌入空间实现的，在特征生成模型的基础上嫁接了一个嵌入模型，由特征生成模型生成的真实可见特征和合成不可见特征映射到一个新的嵌入空间。主要贡献有以下三个方面：（1）提出了一种基于嵌入模型和基于特征生成模型相结合的混合GZSL框...
Contrastive Embedding for Generalized Zero-Shot Learning (CVPR2021)
剑启郁兰的博客
08-20 1289
南京理工大学 PCALab 的一篇工作，该实验室在 cvpr2020 也发表过一篇 zsl 的文章，感觉是准备在 zsl 上深耕的吧。 这篇文章的出发点在于原始的特征空间缺少鉴别性信息，然后学习一个新的嵌入空间。本文主要利用自监督对比学习来解决。作者贡献如下： 提出 hybrid GZSL framework 把生成方法和嵌入方法融合在一起（故事说的还挺好的）； 提出 contrastive embedding ，既使用 class-wise supervision 也使用 instance-wise
综述：零样本学习
idol24的博客
01-17 3187
来源：知乎—恒大大地址：https://zhuanlan.zhihu.com/p/142057964本文充其量算个原创，如果综(pin)述(cou)也算的话。网上有一些关于零样本学习的讨论...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
生成式~扩散模型
whaosoft143ai的博客
02-02 1659
001 (2024-02-1) Distilling Conditional Diffusion Models for Offline Reinforcement Learning through Trajectory Stitching https://arxiv.org/pdf/2402.00807.pdf002 (2024-02-1) AnimateLCM Accelerating the Animation of Personalized Diffusion Models and Ad
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 9178
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
A Review of Generalized Zero-Shot Learning Methods
kuxingseng123的博客
11-23 1034
先将前面的方法都搞透彻，全部将其搞完整都行啦的理由与打算。再接着搞其他的方法，将其全部搞完整都行啦的理由
什么是零样本学习
最新发布
weixin_50921686的博客
06-20 2753
零样本学习是一种技术，可让预先训练好的模型预测先前未知数据的类别标签，即训练数据中不存在的数据样本。例如，尽管在训练过程中没有接触过兔子，但一个经过训练能对狮子和老虎进行分类的深度学习（DL）模型却能通过零样本学习准确地对兔子进行分类。这是通过利用与类别相关的语义关系或属性（如栖息地、皮肤类型、颜色等）来实现的，从而弥合已知类别与未知类别之间的差距。零样本学习在计算机视觉（CV）和自然语言处理（NLP）等领域尤为重要，因为在这些领域中，获得标注数据集的机会有限。
Data-Free Generalized Zero-Shot Learning 中文版
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
03-19 848
深度学习模型的强大之处在于它们能够从大规模数据集中提取丰富的知识，包括视觉特征和语义信息。然而，跨不同公司、机构和国家之间的数据共享变得越来越具有挑战性和敏感性。与数据版权和隐私相关的担忧，特别是在健康和安全等敏感领域，给大规模数据集中的知识顺利传输到新的下游任务和概念中造成了重大障碍。这些挑战阻碍了深度学习模型的广泛利用，并限制了它们在各个领域的潜在影响。
[NIPS 2018] Generalized Zero-Shot Learning with Deep Calibration Network
一亩高粱
11-05 2278
清华大学，龙明盛。
Generalized Zero-Shot Learning with Deep Calibration Network阅读笔记
DoloresFinch的博客
10-14 945
摘要 深度学习的一个技术挑战是在没有可见数据的情况下识别目标类。ZS学习利用诸如属性或类原型之类的语义表示来连接源类和目标类。现有的标准零射学习方法由于对目标类的语义表示视而不见，容易对源类的可见数据进行过拟合。本文研究了广义零射击学习，即假设训练过程中目标类对未知数据可访问，并通过搜索源类和目标类对未知数据进行预测。我们提出了一种新的深度校准网络（DCN）方法来实现这种广义零射学习范式，它可以根据源类的可信度和目标类的不确定性同时校准深层网络。我们的方法将图像的视觉特征和类原型的语义表示映射到一个公共的嵌
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..
【零样本学习】Generalized Zero-Shot Learning via Synthesized Examples
x124612的博客
10-30 2706
Abstract 提出生成模型来解决generalized zero-shot learning问题。在条件变分自编码器的基础上，可以生成seen/unseen class的特征，然后可以用来训练分类器。我们的编码-解码结构的关键点是反馈驱动机制，其中判别器(多元回归器)学习将生成的特征映射到相应的类别属性向量，从而得到更好的生成器。我们的模型能够生成unseen class的特征，并且用来训练分...
通过对比实现少样本或零样本学习Learning to Compare: Relation Network for Few-Shot Learning
热门推荐
qq_24305433的博客
04-24 2万+
一、简介最近偶然间看到一篇解读CVPR中Learning to Compare: Relation Network for Few-Shot Learning这篇论文（https://arxiv.org/abs/1711.06025）的文章（http://www.gzhshoulu.wang/article/1926990），感觉非常有意思。大家都知道，近年来深度学习之所以取得如此大的成功，主要在...
广义零样本学习综述的笔记
ZG
01-07 2005
标准深度学习模型只能识别属于在训练阶段见过的类的样本，无法处理未见过的类的样本。而在现实世界中，给大量数据集手动标注标签工作量大（而且大部分需要专业知识），或者直接没有大量数据（濒危动物），还有在训练阶段不存在而在测试阶段存在的类（比如变异的新冠病毒）零样本学习技术(ZSL)为应对这种情况提供了一个很好的解决方案。ZSL 旨在训练一个模型，该模型可以通过借助语义信息。
An Empirical Study and Analysis of Generalized Zero-Shot Learning for Object Recognition in the Wild
weixin_40015791的博客
03-20 1165
An Empirical Study and Analysis of Generalized Zero-Shot Learning for Object Recognition in the Wild 全文翻译，核心名词依然用英文表示 哪里翻译的不好请多多指教：） 野外目标识别广义零样本学习的实证研究与分析 摘要 零样本学习(ZSL)方法已经在假设测试数据仅仅来自于未知类别的不符合现实情...
zero-shot还包括对比学习吗？
05-23
Zero-shot learning和contrastive learning是两个不同的概念，不过它们可以互相结合使用来提升模型的性能。 Zero-shot learning是指在没有任何针对某个特定任务的训练数据的情况下，通过利用先前学习到的知识来解决这个任务。比如，通过对自然图像的学习，能够让模型在没有见过某些新的物体的情况下，也能够识别它们。 Contrastive learning则是一种无监督学习方法，它通过将相似的样本映射到紧密的空间中，将不相似的样本映射到远离的空间中，从而学习出一个良好的特征表示。这种特征表示可以被用于各种任务，包括监督学习任务和无监督学习任务。 在实际应用中，可以将Zero-shot learning和contrastive learning相结合，使模型在没有任何针对特定任务的训练数据的情况下，也能够进行有效的特征学习，并应用到各种任务中。
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