Zero-shot Learning零样本学习 论文阅读（六）——Feature Generating Networks for Zero-Shot Learning

于 2021-01-08 20:05:30 发布
阅读量449 收藏 3
点赞数
分类专栏： Zero-Shot Learning 文章标签： 零样本学习 少样本学习 计算机视觉 神经网络
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/river_j777/article/details/112340313
版权
这篇博客介绍了零样本学习的方法，特别是Feature Generating Networks (FGNs)。FGNs利用生成对抗网络（GANs）在特征空间生成数据，解决数据缺失问题。通过预训练的CNN提取图像特征，结合属性描述，生成器和判别器共同作用以生成目标域的特征。此外，辅助分类器用于提高生成数据的质量。
摘要由CSDN通过智能技术生成

Zero-shot Learning零样本学习 论文阅读（六）——Feature Generating Networks for Zero-Shot Learning


这篇CVPR 2018年发表的论文提出用对抗生成网络GAN来在特征空间生成数据的思想来解决zero-shot learning的问题。

背景

生成对抗网络GAN

生成对抗网络GAN是源自博弈论中的零和博弈，由两部分组成，分别是生成模型G(generative model)和判别模型(discriminative model)。
整个模型的目的是输入原始数据x和随机噪声信号z ，然后判别输出这个输入是真实数据还是生成的样本。
在这里插入图片描述
X X X是真实数据，真实数据符合 P d a t a ( x ) P_{data}(x) Pdata​(x)分布。 z z z是噪声数据，噪声数据符合 P z ( z ) P_z(z) Pz​(z)分布，比如高斯分布或者均匀分布。然后从噪声 z z

最低0.47元/天 解锁文章
River_J777
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【零样本学习】Feature Generating Networks for Zero-Shot Learning
x124612的博客
09-23 2234
Abstract 由于seen class和unseen class训练数据的极度不平衡，现有的ZSL方法在GZSL任务上性能很差。我们提出基于GAN框架，利用语义信息来生成CNN特征。我们的方法利用Wasserstein GAN和分类损失，生成判别性强的CNN特征，来训练分类器（softmax classifiers or multimodal embedding method）。 Contri...
Real-time Segmentation and Facial Skin Tones Grading-实时分割和面部皮肤骨骼分级
weixin_49496731的博客
11-02 1293
论文Summary 摘要keyword 关键字1、Introduction 背景介绍2 Ready work 准备工作2.1 Lightweight model 轻量级模型2.2Contextual information 上下文信息2.3 Post processing 后加工处理2.4 Color feature extraction 颜色特征抽取3 Methodology 方法论3.1 High-to-low dimension fusion network 高到低维融合网络3.2 Fac
Real-time Segmentation and Facial Skin Tones Grading†
qq_38284961的博客
03-05 348
Real-time Segmentation and Facial Skin Tones Grading† 摘要 基于高像素细节信息以及低像素上下文信息融合. 网络结构 网络是一个unit结构，并且输出三种颜色，分别表示背景，头发，脸。 高低维度混合网络 低纬度的层能够体现出更多的小物体，这样促进网络能够得到更多的细节信息。 高纬度和低纬度的交互能够得到不...
[CVPR 2018 论文笔记] Feature Generating Networks for Zero-Shot Learning
fuyouzhiyi的博客
07-10 2091
文章目录1 简介2 模型3 实验4 总结5 有意思的地方 零样本问题可以看作是数据缺失问题。由于目标域数据不可见，导致模型训练时的数据不均衡。一个直观的想法就是生成目标域的数据。生成图像是最简单的想法，但是本文提出直接生成目标域的特征，而不是图像。我认为，这样做确实能够提高精度，因为最后做分类都是在特征上做的，直接生成特征，能够缓解生成图像质量不好的问题。 1 简介 介绍一篇CVPR 2018的...
[CVPR 2018] Feature Generating Networks for Zero-Shot Learning
一亩高粱
07-19 273
生成零样本
Episode-Based Prototype Generating Network for Zero-Shot Learnin
12-13
在"Episode-Based Prototype Generating Network for Zero-Shot Learning"这篇论文中，作者提出了一种新的训练框架，用于解决零样本学习（ZSL）中的挑战。这个框架基于episode训练，每个episode模拟一个零样本分类...
Avatar-Net: Multi-scale Zero-shot Style Transfer by Feature Decoration
07-04
Zero-shot artistic style transfer is an important image synthesis problem aiming at transferring arbitrary style into content images. However, the trade-off between the gener- alization and efficiency...
Udemy - Deep Learning Recurrent Neural Networks in Python
10-29
Use RNNs for generating text, like poetry Visualize word embeddings and look for patterns in word vector representations Requirements Calculus Linear algebra Python, Numpy, Matplotlib Write a neural ...
matlab中洋红色代码-deeplearning:深度学习笔记
05-23
深度学习与tensorflow学习笔记 一个简单的alexnet 主页[] 代码[] 模型参数 bvlc_alexnet.npy[] better representation Deep Image Retrieval: Learning global representations for image search [] Learning from ...
Machine learning for graph-based representations
02-12
In this paper, we develop an alternative network reduction approach to ...proximately 20% of its original size, while still generating breakthrough curves consistent with those of the original network.
肤色分割数据集
10-11
肤色分割数据集 下载：数据文件夹，数据的描述 摘要：肤色分割的数据集构建了B、G、R颜色空间。皮肤和非皮肤性数据是使用来自不同年龄、人脸皮肤纹理生成的性别和种族的人。 数据集的特征： 单因素 实例的数目： 二十四万五千零五十七 区域 电脑 属性特征： 真实 属性的数目： 四 捐款日期 2012-07-17 相关的任务： 分类 遗漏值的吗？ N / A Number of Web Hits: 十二万七千六百九十九 来源 该rajen Bhatt，迪豪；rajen.bhatt'@'gmail.com, IIT Delhi. Data Set Information: 皮肤的数据集是通过随机抽样B、G收集，从不同年龄组的人脸图像的R值（小，中，老），种族（白人，黑人，和亚洲），和性别从FERET和PAL数据库。总样本大小为245057；其中50859是皮肤样本和194198个非皮肤样本。这个数据集的尺寸为245057×4，前三列是B，G，R（x1，x2，x3和特点）值和第四列为类标签（决策变量Y）。
皮肤检测数据集-Skin Segmentation Data Set_UCI
04-11
通过从各种年龄组（年轻人，中年人和老年人），种族组（白人，黑人和亚洲人）的面部图像中随机抽取B，G，R值以及从FERET数据库和PAL数据库获得的性别来收集皮肤数据集。 。学习样本总量为245057; 其中50859是皮肤样本，194198是非皮肤样本。 资源内包括数据集图片下载地址和对应的标注标签文档。
肤色分割数据集(最新)
06-13
肤色分割数据集 下载：数据文件夹，数据的描述 摘要：肤色分割的数据集构建了B、G、R颜色空间。皮肤和非皮肤性数据是使用来自不同年龄、人脸皮肤纹理生成的性别和种族的人。 数据集的特征： 单因素 实例的数目： 二十四万五千零五十七 区域 电脑 属性特征： 真实 属性的数目： 四 捐款日期 2012-07-17 相关的任务： 分类 遗漏值的吗？ N / A Number of Web Hits: 十二万七千六百九十九 来源 该rajen Bhatt，迪豪；rajen.bhatt'@'gmail.com, IIT Delhi. Data Set Information: 皮肤的数据集是通过随机抽样B、G收集，从不同年龄组的人脸图像的R值（小，中，老），种族（白人，黑人，和亚洲），和性别从FERET和PAL数据库。总样本大小为245057；其中50859是皮肤样本和194198个非皮肤样本。这个数据集的尺寸为245057×4，前三列是B，G，R（x1，x2，x3和特点）值和第四列为类标签（决策变量Y）。
Edge Drawing: A combined real-time edge and segment detector的实现
10-09
Edge Drawing: A combined real-time edge and segment detector的实现，在最后连线的时候和论文略有区别，按照论文的方法有点问题，最后结果类似，看出问题的朋友可以私信我为什么。
论文学习 Feature Generating Networks for Zero-Shot Learning
weixin_44259900的博客
04-26 3262
最近火热的迁移学习领域实涵盖了很多方向，比如多任务学习、对抗生成网络、zero/one/few shot learning等。其中的关键问题应该从有限的标注数据中学习其真实分布，进而将训练好的模型通过微调迁移到其他任务，如果迁移的任务与与标注数据关联性较强，这种迁移会变得相对容易，也更容易获得成功。 最近，学习了一篇来自马普所与阿姆大学共同发表的文章， ...
实时“头发-面部皮肤”分割与人脸肤色分类
我爱计算机视觉
01-02 1952
点击我爱计算机视觉标星，更快获取CVML新技术今天跟大家介绍一篇新出的文章 Real-time Segmentation and Facial Skin Tones Grading ，来...
RTSEG:  Real-time semantic segmentation comparative study
liguandong
03-15 757
RTSEG: Real-time semantic segmentation comparative study Abstract: Most of the research on semantic segmentation only focuses on increasing the accuracy of segmentation models with little attention ...
Co-Fusion: Real-time Segmentation, Tracking and Fusion of Multiple Objects
十年磨一剑
05-01 1281
这篇文章其实就是几篇文章凑在了一起. fusion的部分用的是 ElasticFusion: Dense SLAM without a pose graph 这篇文章实现了local loop closure and global loop closure 然后他的segmentation有两种, 一种是MOTION SEGMENTATION, 它是基于超像素来做这种segmentation. 对...
VSLAM(6): Real-time Segmentation, Tracking and Fusion of Multiple Objects
Ian的博客
01-21 554
学习论文: 时而学习之, 温故而知新. 该算法以模型为基础单位, 一组3D点的集合(关键帧), 来实现帧的跟踪/分割/融合 活跃模型: 在当前帧中看到的模型 非活跃模型: 曾经出现过, 不知其几何形状, 也不在当前视野内. 1. 摘要 本文介绍了一种基于RGB-D相机实时的稠密SLAM系统（定位+3D环境重建）。该算法可以根据运动和语义标注将场景分割成不同的目标物。 我们使用多种模型拟合方法...
Feature Generating Networks for Zero-Shot Learning代码解读
最新发布
07-12
Feature Generating Networks (FGN) 是一种用于零样本学习（Zero-Shot Learning）的模型，它可以通过将视觉特征与语义嵌入进行对齐来实现跨类别的分类。 代码解读的详细过程会比较复杂，但我可以给你提供一个大致的概述。 首先，FGN使用预训练的视觉特征提取器（例如，VGG、ResNet等）来获取图像的视觉特征。这些特征将作为输入用于后续的模型训练。 然后，FGN使用一个嵌入网络来学习每个类别的语义嵌入。这些语义嵌入是以一种语义空间中的向量表示形式存在的。这些向量可以是手动标注的属性向量，也可以通过其他方法来生成。 接下来，FGN使用一个生成网络来将视觉特征投影到语义空间中。生成网络是一个多层感知机（MLP），它通过学习一个映射函数来将视觉特征转换为语义嵌入的估计值。 最后，FGN使用估计的语义嵌入与真实的语义嵌入之间的距离来进行分类。常见的距离度量方法包括余弦相似度、欧氏距离等。 总的来
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