論文の概要: Prior Knowledge about Attributes: Learning a More Effective Potential
Space for Zero-Shot Recognition
- arxiv url: http://arxiv.org/abs/2009.06226v1
- Date: Mon, 14 Sep 2020 06:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 12:24:19.741010
- Title: Prior Knowledge about Attributes: Learning a More Effective Potential
Space for Zero-Shot Recognition
- Title(参考訳): 属性に関する事前知識:ゼロショット認識のためのより効果的なポテンシャル空間の学習
- Authors: Chunlai Chai, Yukuan Lou, Shijin Zhang
- Abstract要約: 本研究では,グラフ畳み込みネットワークと属性相関を用いた属性相関型空間生成モデルを構築し,より識別可能な空間を生成する。
提案手法は,いくつかのベンチマークデータセットにおいて,既存の最先端手法よりも優れている。
- 参考スコア(独自算出の注目度): 0.07161783472741746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot learning (ZSL) aims to recognize unseen classes accurately by
learning seen classes and known attributes, but correlations in attributes were
ignored by previous study which lead to classification results confused. To
solve this problem, we build an Attribute Correlation Potential Space
Generation (ACPSG) model which uses a graph convolution network and attribute
correlation to generate a more discriminating potential space. Combining
potential discrimination space and user-defined attribute space, we can better
classify unseen classes. Our approach outperforms some existing
state-of-the-art methods on several benchmark datasets, whether it is
conventional ZSL or generalized ZSL.
- Abstract(参考訳): zero-shot learning (zsl) は既見のクラスや既知の属性を学習することで,未発見のクラスを正確に認識することを目的としている。
この問題を解決するために,グラフ畳み込みネットワークと属性相関を用いてより識別可能な空間を生成する属性相関ポテンシャル空間生成(ACPSG)モデルを構築した。
潜在的な識別空間とユーザ定義属性空間を組み合わせることで、見当たらないクラスを分類することができる。
提案手法は,従来のZSLであっても一般化ZSLであっても,いくつかのベンチマークデータセット上で既存の最先端手法よりも優れている。
関連論文リスト
- Dual Feature Augmentation Network for Generalized Zero-shot Learning [14.410978100610489]
ゼロショット学習 (ZSL) は,見知らぬクラスから知識を伝達することによって,サンプルを訓練せずに新しいクラスを推論することを目的としている。
ZSLの既存の埋め込みベースのアプローチは、画像上の属性を見つけるために注意機構を用いるのが一般的である。
本稿では,2つの機能拡張モジュールからなる新しいDual Feature Augmentation Network (DFAN)を提案する。
論文 参考訳(メタデータ) (2023-09-25T02:37:52Z) - Hierarchical Visual Primitive Experts for Compositional Zero-Shot
Learning [52.506434446439776]
合成ゼロショット学習(CZSL)は、既知のプリミティブ(属性とオブジェクト)の事前知識で構成を認識することを目的としている。
このような問題に対処するために,コンポジショントランスフォーマー(CoT)と呼ばれるシンプルでスケーラブルなフレームワークを提案する。
提案手法は,MIT-States,C-GQA,VAW-CZSLなど,いくつかのベンチマークでSoTA性能を実現する。
論文 参考訳(メタデータ) (2023-08-08T03:24:21Z) - Learning Conditional Attributes for Compositional Zero-Shot Learning [78.24309446833398]
合成ゼロショット学習(CZSL)は、新しい合成概念を認識するためにモデルを訓練することを目的としている。
課題の1つは、異なる物体、例えば「濡れたリンゴ」と「濡れた猫」の属性をモデル化することである。
我々は、属性が認識対象と入力画像に条件付けされていることを議論し、条件付き属性の埋め込みを学習する。
論文 参考訳(メタデータ) (2023-05-29T08:04:05Z) - Disentangled Ontology Embedding for Zero-shot Learning [39.014714187825646]
知識グラフ(KG)とその変種オントロジーは知識表現に広く用いられており、ゼロショット学習(ZSL)の増強に非常に有効であることが示されている。
KGsを利用する既存のZSL法は、KGsで表されるクラス間関係の複雑さを全て無視する。
本稿では,ZSLの拡張に焦点をあて,意味的特性によって導かれる絡み合ったオントロジーの埋め込みを学習することを提案する。
また、生成モデルとグラフ伝搬モデルに基づく2つの新しいZSLソリューションを含む、DOZSLという新しいZSLフレームワークをコントリビュートする。
論文 参考訳(メタデータ) (2022-06-08T08:29:30Z) - Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。
本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
論文 参考訳(メタデータ) (2021-08-16T11:52:08Z) - On Implicit Attribute Localization for Generalized Zero-Shot Learning [43.61533666141709]
一般的なZSLバックボーンは属性を暗黙的にローカライズできるが、このプロパティは利用されない。
次に、属性のローカリゼーションをさらに促進し、非常に競争力のある一般化ZSL(GZSL)パフォーマンスを実現するシンプルな方法であるSELARを提案します。
論文 参考訳(メタデータ) (2021-03-08T12:31:37Z) - Goal-Oriented Gaze Estimation for Zero-Shot Learning [62.52340838817908]
識別的属性の局在性を改善するために, 目標指向視線推定モジュール(GEM)を提案する。
属性記述に導かれた新しい物体を認識する視覚注意領域を得るために,実際の人間の視線位置を予測することを目的とする。
この研究は、高レベルのコンピュータビジョンタスクに人間の視線データセットと自動視線推定アルゴリズムを集めることの有望な利点を示しています。
論文 参考訳(メタデータ) (2021-03-05T02:14:57Z) - 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) - 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)
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。