【零样本学习】Zero-Shot Learning via Class-Conditioned Deep Generative Models

最新推荐文章于 2023-03-27 22:49:43 发布
最新推荐文章于 2023-03-27 22:49:43 发布
阅读量1.1k 收藏 3
点赞数 1
分类专栏： Zero-Shot
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/x124612/article/details/101421985
版权
本文探讨了零样本学习（ZSL）问题，指出现有方法的局限并提出一种新的深度生成模型。该模型利用类条件的潜在空间分布作为先验，通过变分自编码器（VAE）学习更具判别性的特征表示。在inductive和transductive ZSL设置中，模型展示了其分类能力和对类内方差的处理能力。在无标记数据丰富的场景下，该模型也能应用于few-shot learning任务。
摘要由CSDN通过智能技术生成

Motivations

ZSL问题为了能够泛化到unseen class，通常做了类别辅助信息可用性的假设（辅助信息可以帮助从seen class迁移知识到unseen class）。辅助信息可以是类别属性、词向量等或者是unseen class和每个seen class的相似度。
现有的大多数ZSL方法假设每个类别可以用语义空间中的一个固定点表示，而一个点不足以解释类内方差。而生成模型有很多优势：可以通过特征学习来揭示数据的复杂结构；生成数据的能力可以将ZSL问题扩展为transductive/semi-supervised形式；在seen class的数据很少，而seen/unseen classes的无标记数据很多的情况下，或许也很有用( few-shot learning )。
受此启发，设计了一种深度生成模型来解决ZSL问题。模型学习attribute-specific的潜在空间分布（ pψ(z|a)，服从高斯分布），作为VAE模型的先验分布，有助于VAE学习判别性更强的特征表示（相当于构造更好的生成器？？）。此外，
模型的生成能力使其能够扩展为transductive/semi-supervised形式(通过无监督学习)。模型参数是由seen class的标记数据端到端地学习得到的。（在semi-supervised/transductive也可以用无标记数据）
测试时，对于给定的输入x∗，首先通过VAE的识别模型 qφ (z∗ | x∗) 将x∗映射到隐变量空间z，然后寻找能够使得VAE的下界(对数似然函数变分下界)最大化的a∗ &#

最低0.47元/天 解锁文章
x124612
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【零样本学习】A Generative Model For Zero Shot Learning Using Conditional Variational Autoencoders
x124612的博客
10-30 877
Motivation Zero shot learning假设虽然没有不能得到unseen class的图像，但是可以获得unseen class的语义信息（属性信息或者文本描述等），所以ZSL的研究有助于理解语言概念如何很好地转化为视觉信息。 倘若某个类别能够被语义向量准确地表示，那么ZSL问题就可以看作寻找语义向量和图像视觉特征之间的关系。现有的大多数ZSL方法就是学习图像视觉空间到语义空间的...
zero-shot learning系列论文（1）A Generative Model For Zero Shot Learning Using Conditional Variational
qq_37297763的博客
02-23 755
1. 出处 2018 CVPR workshop 2. 问题 已有的zero-shot learning方法尝试通过一些迁移函数建模类属性空间和图像空间之间的关系，以便将图像空间对应到unseen class 3. 方法 学习一个class embedding到image space的映射函数，但由于图像空间的不连续性，从seen class images上学到的映射无法捕获unseen classes的关系（domain shift问题） 作者没有直接建模迁移函数，而是将问题视为“数据丢失”（相当于训练的
[CVPR 2019] Generative Dual Adversarial Network for Generalized Zero-shot Learning
一亩高粱
07-18 798
提出新的对抗方式，提升生成器的效果
零样本或少样本相关论文、数据集、代码、资源整理分享
lqfarmer的博客
12-28 2794
零样本学习（Zero-Shot Learning）是AI识别方法之一。简单来说就是识别从未见过的数据类别，即训练的分类器不仅仅能够识别出训练集中已有的数据类别，还可以对于来自未见过的类别的数据进行区分。这是一个很有用的功能，使得计算机能够具有知识迁移的能力，并无需任何训练数据，很符合现实生活中海量类别的存在形式。 在传统图像识别任务中，训练阶段和测试阶段的类别是相同的，但每次...
论文笔记--ZEROGEN: Efficient Zero-shot Learning via Dataset Generation
weixin_38124427的博客
03-27 296
论文笔记--ZEROGEN: Efficient Zero-shot Learning via Dataset Generation
Conditioned-Source-Separation-LaSAFT:本文的PyTorch实现
05-03
LaSAFT：用于条件源分离的潜在源专心频率变换 在此上检查分离的样本！ 论文“ LaSAFT：用于条件源分离的潜在源细心频率转换”的正式Pytorch实施（接受ICASSP2021。（））示范：预训练模型 互动演示包括如何下载和...
Python-SCFEGANAI修图神器使用用户草图和颜色人脸编辑生成对抗网络
08-11
SC-FEGAN，全称为Shape-Conditioned Face Editing Generative Adversarial Network（形状引导的人脸编辑生成对抗网络），是一款基于Python开发的高级图像处理工具，特别适用于人像编辑。它利用深度学习技术，尤其是...
Lyrics-Conditioned-Neural-Melody-Generation
05-28
歌词条件下的神经旋律生成（在演示）。 2020年9月19日，@@@：可以从下载完整的歌词旋律源。 2020年9月17日，@@@：更新了读者的答案，并发布了此工作的更新版本在多媒体计算中ACM交易接受了共享通信与应用（TOMCCAP）...
A well-conditioned estimator for large-dimensional covariance matrices.pdf
11-19
在统计学和数据分析中，估计高维协方差矩阵是许多关键问题的核心，尤其是在金融、机器学习和信号处理等领域。本文“一个适用于大维数协方差矩阵的良好条件估计器”探讨了在处理大规模数据集时，如何有效地估计并逆...
Hyper-LifelongGAN Scalable Lifelong Learning for Image Conditi
11-17
Hyper-LifelongGAN Scalable Lifelong Learning for Image Conditioned Generation Hyper-LifelongGAN 用于图像条件生成的可扩展终身学习
零样本学习（论文+代码）
06-14
该程序是看了网上一篇论文后进行了复现包括了基础复现和原文复现（原文复现使用了pytorch框架）在该资源包中附带复现的论文，语义空间矩阵，相关程序，还有数据集的相关说明（由于数据集过大，请自行下载数据集）
零样本学习公开代码整理
Shawn
12-09 6717
2018_CVPR_Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs [code] 2018_CVPR_Learning to Compare: Relation Network for Few-Shot Learning [code] 2018_CVPR_A Generative Adversarial App...
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 4304
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...
DeepLearning | Relational Knowledge Transfer for Zero Shot Learning 零样本学习（论文、算法、数据集、代码）
冯良骏 的 博客
02-17 3725
最近发现一个简单好用的ZSL算法Relational Knowledge Transfer for Zero Shot Learning，这里写篇博客分享一下 之前也写过两篇博客简单描述了几种基本的ZSL算法 DeepLearning | Zero Shot Learning 零样本学习（扩展内容、模型、数据集） DeepLearning | Zero Shot Learning 零样本学习 这篇...
C2AE: Class Conditioned Auto-Encoder for Open-Set RecognitionCVPR2019开放集识别论文解读
pingguolou的博客
11-02 642
【16】 Oza P , Patel V M . C2AE: Class Conditioned Auto-Encoder for Open-Set Recognition[C]// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2019.. 本文引入了在CE loss的交叉熵分类基础上，增加了条件自编码器损失的条件自编码器，进行开放集识别，命名为C2AE。 在训练中，包括两个阶段，其.
属性与意图识别_GAN/VAE地位难保？Flow在零样本识别任务上大显身手
weixin_36344678的博客
12-31 411
作者 | 秦杰、沈钰明编辑 | 陈大鑫计算机视觉三大会议之一的ECCV 2020刚刚落下帷幕，本文主要介绍阿联酋起源人工智能研究院(IIAI)的科学家们在该会议上发表的一篇论文：《Invertible Zero-Shot Recognition Flows》。该工作首次提出了一种基于生成流(Generative Flow)模型的零样本学习方法，并在多个数据库上取得了目前最好的识别结果。论文链接：h...
【零样本学习】From Zero-shot to Conventional Supervised Classification:Unseen Visual Data Synthesis
x124612的博客
10-30 647
Abstract 目标识别通常依赖于从大量真实图像中提取特征。但是，在现实场景中，为不断增长的新的类别收集足够的图像是不可能的。所以，提出新的Zero-shot learning (ZSL)框架，可以在没有真实图像的情况下，生成unseen class的视觉特征。采用所提出的Unseen Visual Data Synthesis (UVDS)算法，在训练阶段可以利用语义向量来生成视觉特征。从而，...
零样本学习（相关网站）
meili1021的专栏
09-07 1192
1、零样本学习原理介绍      https://blog.csdn.net/Liangjun_Feng/article/details/82026574      https://zhuanlan.zhihu.com/p/34656727?spm=5176.9876270.0.0.3430e44aQUtl4x       内容概要：     1）零样本学习 Zero Short Lear...
【零样本学习】Generalized Zero-Shot Learning via Synthesized Examples
x124612的博客
10-30 2522
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...
calib_check_cond - ill-conditioned matrix for input array 0 in function 'cal
最新发布
06-23
### 回答1： calib_check_cond - ill-conditioned matrix for input array 0是一个计算机程序中的错误信息。这个错误信息通常出现在进行矩阵运算时，输入矩阵存在不良条件（ill-conditioned）的情况下。 矩阵的条件数（condition number）是矩阵的一个数值特征，用于描述矩阵在数值计算中的稳定性。当矩阵的条件数很大时，说明矩阵很不稳定，即很容易出现数值误差，这样的矩阵被称作不良条件的矩阵。 在程序运行中，如果输入的矩阵是不良条件的矩阵，就会出现上述的错误信息。这意味着程序无法进行矩阵运算，因为输入矩阵的条件数过大，导致程序不稳定，进而出错。 如果遇到这样的错误信息，我们应该首先检查输入矩阵是否正确。如果输入矩阵本身就存在问题，例如存在无穷或未定义的元素等，就需要修正输入矩阵，再重新运行程序。如果输入矩阵本身没有问题，那么可能需要使用更高精度的算法或者调整算法参数来改善程序的数值稳定性，同时提高程序的精度和效率。 ### 回答2： calib_check_cond是用于检查矩阵条件数的函数，通常被用于计算机视觉和机器学习领域。在使用calib_check_cond时，如果发现输入数组中的矩阵条件数过差，就会出现这种错误信息。 所谓条件数，是用于描述矩阵变形的一个指标。矩阵的条件数越大，就说明在矩阵变形时数据的精度越容易受到影响。因此，在使用calib_check_cond之前，需要先对数据集进行预处理，以确保输入矩阵在变形时不会出现过多的误差。 如果出现了calib_check_cond - ill-conditioned matrix for input array 0的错误信息，通常会有两种解决方案。第一种是通过重新选择、清洗或规范化数据集来降低矩阵的条件数。第二种则是通过增加算法的鲁棒性，让算法能在低条件数的矩阵中正常运行。 总之，在使用calib_check_cond时，需要注意输入矩阵的条件数，避免出现过大的误差。同时，也需要根据具体的情况选择合适的解决方案，以确保算法的稳定性和准确性。 ### 回答3： calib_check_cond - ill-conditioned matrix for input array 0 in function 'cal'，这个错误提示是，在计算过程中使用了病态矩阵，导致计算的精度出现了问题，从而得到了不合理的结果。病态矩阵是指条件数非常大的矩阵，即矩阵中部分数值非常小或非常大，导致计算误差非常大。当一个矩阵的条件数很大时，意味着微小的误差会被放大，从而导致数值计算的不准确。 要解决这个问题，可以尝试使用数值稳定的算法或者重新设计算法，以克服矩阵条件数大的问题。另外，检查输入数据的有效性也是必要的。可以分析出错的数据，看看是不是存在错误的输入，或者数据本身就不合理。若是因为输入数据不合理导致的问题，需要调整输入数据以保证矩阵的条件数在一个合理的范围内。同时，也可以尝试使用数值精度更高的数据类型，例如Double precision浮点数，从而提高计算精度。 总之，遇到calib_check_cond - ill-conditioned matrix for input array 0 in function 'cal'这个错误提示，需要注意输入数据的有效性和矩阵的条件数，并采用合理的算法和数据类型进行优化，以获得更精确的计算结果。
评论 1
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