論文の概要: Improving Generalized Zero-Shot Learning by Semantic Discriminator

• arxiv url: http://arxiv.org/abs/2005.13956v2
• Date: Thu, 11 Jun 2020 14:43:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 05:18:43.307157
• Title: Improving Generalized Zero-Shot Learning by Semantic Discriminator
• Title（参考訳）: 意味判別器による一般化ゼロショット学習の改善
• Authors: Xinpeng Li
• Abstract要約: 我々は、インスタンスが目に見えないクラスから来ているかどうかを区別する新しいアプローチを提案する。 提案手法は既存のZSL法と完全教師付き分類モデルと組み合わせて新しいGZSL法を構築することができる。
• 参考スコア（独自算出の注目度）: 0.8460698440162889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is a recognized fact that the classification accuracy of unseen classes in the setting of Generalized Zero-Shot Learning (GZSL) is much lower than that of traditional Zero-Shot Leaning (ZSL). One of the reasons is that an instance is always misclassified to the wrong domain. Here we refer to the seen and unseen classes as two domains respectively. We propose a new approach to distinguish whether the instances come from the seen or unseen classes. First the visual feature of instance is projected into the semantic space. Then the absolute norm difference between the projected semantic vector and the class semantic embedding vector, and the minimum distance between the projected semantic vectors and the semantic embedding vectors of the seen classes are used as discrimination basis. This approach is termed as SD (Semantic Discriminator) because domain judgement of instance is performed in the semantic space. Our approach can be combined with any existing ZSL method and fully supervision classification model to form a new GZSL method. Furthermore, our approach is very simple and does not need any fixed parameters.
• Abstract（参考訳）: 一般ゼロショット学習(GZSL)の設定における未確認クラスの分類精度が従来のゼロショット学習(ZSL)よりもはるかに低いことは認識されている事実である。 理由の1つは、インスタンスが常に間違ったドメインに誤分類されていることだ。 ここでは、見られているクラスと見当たらないクラスをそれぞれ2つのドメインとして参照する。 インスタンスが見掛けられたクラスか、見当たらないクラスなのかを区別する新しいアプローチを提案する。 まず、インスタンスの視覚的特徴はセマンティック空間に投影される。 次に、投影された意味ベクトルとクラス意味埋め込みベクトルとの絶対ノルム差と、投影された意味ベクトルと観測されたクラスの意味埋め込みベクトルとの最小距離を識別基準として用いる。 このアプローチをSD(Semantic Discriminator)と呼ぶのは、ドメインの判断がセマンティック空間で実行されるからである。 提案手法は既存のZSL法と完全教師付き分類モデルと組み合わせて新しいGZSL法を構築することができる。 さらに、このアプローチは非常に単純で、固定パラメータは必要ありません。

関連論文リスト

• Distance Based Image Classification: A solution to generative classification's conundrum? [70.43638559782597]
  差別的境界は、何によって意味論を定義するため、直観に反するものであると論じる。 本稿では,シェル理論の階層的生成過程によって意味的因子が許容される新しい生成モデルを提案する。 本モデルを用いて,意味的手がかりを保ちながら雑音の影響を抑える分類手法を開発した。
  論文  参考訳（メタデータ） (2022-10-04T03:35:13Z)
• Cluster-based Contrastive Disentangling for Generalized Zero-Shot Learning [25.92340532509084]
  Generalized Zero-Shot Learning (GZSL) は、目に見えないクラスと見えないクラスの両方を認識することを目的としている。 本稿では,クラスタベースのContrastive Disentangling(CCD)手法を提案する。
  論文  参考訳（メタデータ） (2022-03-05T02:50:12Z)
• Exploiting a Joint Embedding Space for Generalized Zero-Shot Semantic Segmentation [25.070027668717422]
  一般化ゼロショットセマンティックセマンティックセグメンテーション(GZS3)は、見えないクラスと見えないクラスのピクセルワイズセマンティックラベルを予測する。 ほとんどのGZS3メソッドは、対応するセマンティックなクラスから見えないクラスの視覚的特徴を合成する生成的アプローチを採用している。 統一されたフレームワークにおける制限に対処するための差別的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-14T13:33:58Z)
• A Simple Approach for Zero-Shot Learning based on Triplet Distribution Embeddings [6.193231258199234]
  ZSLは、セマンティック情報を利用して、ラベル付きトレーニングデータを使わずに、目に見えないクラスを認識することを目指している。 既存のZSL法は主にベクトルを用いて意味空間への埋め込みを表現する。 分散埋め込みの利用を利用してこの問題に対処する。
  論文  参考訳（メタデータ） (2021-03-29T20:26:20Z)
• Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
  Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。 我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。 当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-01T10:20:04Z)
• OntoZSL: Ontology-enhanced Zero-shot Learning [19.87808305218359]
  Zero-shot Learning(ZSL)の実装の鍵は、クラス間の意味的な関係を構築するクラスの以前の知識を活用することです。 本稿では,zslのクラス間関係をモデル化するために,より豊かで競争力の高い事前知識を探索する。 目に見えないクラス間のデータ不均衡に対処するため,GAN(Generative Adversarial Networks)を用いた生成型ZSLフレームワークを開発した。
  論文  参考訳（メタデータ） (2021-02-15T04:39:58Z)
• Isometric Propagation Network for Generalized Zero-shot Learning [72.02404519815663]
  一般的な戦略は、クラス属性の意味空間と、見たクラスとそのデータに基づいて画像の視覚空間とのマッピングを学ぶことである。 本稿では,各空間内のクラス間の関係を強化し,2つの空間におけるクラス依存性を整合させるIsometric propagation Network (IPN)を提案する。 IPNは3つの人気のあるゼロショット学習ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-02-03T12:45:38Z)
• CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition [52.66360172784038]
  各インスタンスを個別に最適化するのではなく,すべてのトレーニングサンプルを同時に考慮したクラスタリングモデルを提案する。 提案手法をCLASTERと呼び,すべての標準データセットの最先端性を常に改善することを確認する。
  論文  参考訳（メタデータ） (2021-01-18T12:46:24Z)
• Information Bottleneck Constrained Latent Bidirectional Embedding for Zero-Shot Learning [59.58381904522967]
  本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。 視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。 本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-09-16T03:54:12Z)
• A Boundary Based Out-of-Distribution Classifier for Generalized Zero-Shot Learning [83.1490247844899]
  Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。 本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。 我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
  論文  参考訳（メタデータ） (2020-08-09T11:27:19Z)
• Learning Cross-domain Semantic-Visual Relationships for Transductive Zero-Shot Learning [29.498249893085287]
  本研究では、トランスダクティブゼロショット学習(ZSL)へのトランスダクティブ・セマンティック・ビジュアル・リレーション(TSVR)アプローチを提案する。 TSVRは画像認識を再定義し、クラス属性と視覚的特徴からなる意味視覚融合のための類似性/相似性ラベルを予測する。 この問題に対して、類似のセマンティック・視覚対の数は、異種対のものとはかなり小さい。
  論文  参考訳（メタデータ） (2020-03-31T11:26:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。