論文の概要: DFS: A Diverse Feature Synthesis Model for Generalized Zero-Shot
Learning
- arxiv url: http://arxiv.org/abs/2103.10764v1
- Date: Fri, 19 Mar 2021 12:24:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 16:34:02.741419
- Title: DFS: A Diverse Feature Synthesis Model for Generalized Zero-Shot
Learning
- Title(参考訳): DFS:一般化ゼロショット学習のための多元的特徴合成モデル
- Authors: Bonan Li and Xuecheng Nie and Congying Han
- Abstract要約: ジェネレーティブベースの戦略は、一般化ゼロショット学習タスクにおいて大きな可能性を秘めている。
ジェネレーティブベースの戦略は、一般化ゼロショット学習タスクにおいて大きな可能性を秘めている。
本論文では,GZSLモデルの汎用性を高めるために,非可視クラスの特徴多様性の改善を提案する。
- 参考スコア(独自算出の注目度): 12.856168667514947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative based strategy has shown great potential in the Generalized
Zero-Shot Learning task. However, it suffers severe generalization problem due
to lacking of feature diversity for unseen classes to train a good classifier.
In this paper, we propose to enhance the generalizability of GZSL models via
improving feature diversity of unseen classes. For this purpose, we present a
novel Diverse Feature Synthesis (DFS) model. Different from prior works that
solely utilize semantic knowledge in the generation process, DFS leverages
visual knowledge with semantic one in a unified way, thus deriving
class-specific diverse feature samples and leading to robust classifier for
recognizing both seen and unseen classes in the testing phase. To simplify the
learning, DFS represents visual and semantic knowledge in the aligned space,
making it able to produce good feature samples with a low-complexity
implementation. Accordingly, DFS is composed of two consecutive generators: an
aligned feature generator, transferring semantic and visual representations
into aligned features; a synthesized feature generator, producing diverse
feature samples of unseen classes in the aligned space. We conduct
comprehensive experiments to verify the efficacy of DFS. Results demonstrate
its effectiveness to generate diverse features for unseen classes, leading to
superior performance on multiple benchmarks. Code will be released upon
acceptance.
- Abstract(参考訳): ジェネレーティブベースの戦略は、一般化ゼロショット学習タスクにおいて大きな可能性を示している。
しかし,良質な分類器を訓練するために,未発見のクラスでは特徴の多様性が欠如しているため,一般化が困難である。
本稿では,GZSLモデルの一般化可能性を高めるために,未知のクラスの特徴的多様性を改善することを提案する。
そこで本研究では,新しい分散特徴合成(DFS)モデルを提案する。
生成プロセスにおける意味的知識のみを利用する以前の研究とは異なり、DFSはセマンティック知識と統合された方法で視覚的知識を利用するため、クラス固有の多様な特徴サンプルを抽出し、テストフェーズで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ための堅牢な分類器へと導く。
学習を単純化するため、dfsはアライメントされた空間における視覚的かつ意味的な知識を表し、低複雑さな実装で優れた機能サンプルを作成することができる。
従って、DFSは2つの連続したジェネレータで構成されている: 整列した特徴生成、セマンティクスと視覚表現を整列した特徴に転送する、合成された特徴生成、整列した空間における無見えないクラスの多様な特徴サンプルを生成する。
DFSの有効性を検証するための総合的な実験を行った。
その結果、未確認クラスの多様な機能を生成する効果が示され、複数のベンチマークのパフォーマンスが向上した。
コードは受理時にリリースされる。
関連論文リスト
- Exploring Data Efficiency in Zero-Shot Learning with Diffusion Models [38.36200871549062]
Zero-Shot Learning (ZSL) は、クラスレベルでのデータ効率を向上させることで、分類器が見えないクラスを識別できるようにすることを目的としている。
これは、未確認クラスの事前に定義されたセマンティクスから画像特徴を生成することで実現される。
本稿では,限られた例が一般的に生成モデルの性能低下をもたらすことを示す。
この統合されたフレームワークは拡散モデルを導入し、クラスレベルとインスタンスレベルのデータ効率を改善する。
論文 参考訳(メタデータ) (2024-06-05T04:37:06Z) - SEER-ZSL: Semantic Encoder-Enhanced Representations for Generalized
Zero-Shot Learning [0.7420433640907689]
一般化ゼロショット学習(GZSL)は、見知らぬクラスから知識を伝達することで、目に見えないクラスを認識する。
本稿では,一般化ギャップに対処するための二重戦略を提案する。
論文 参考訳(メタデータ) (2023-12-20T15:18:51Z) - Synthetic Sample Selection for Generalized Zero-Shot Learning [4.264192013842096]
Generalized Zero-Shot Learning (GZSL) はコンピュータビジョンにおいて重要な研究領域となっている。
本稿では,強化学習を用いた合成特徴選択のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-04-06T03:22:43Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-05T04:04:37Z) - Zero-Shot Logit Adjustment [89.68803484284408]
Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。
本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。
実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
論文 参考訳(メタデータ) (2022-04-25T17:54:55Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳(メタデータ) (2021-07-07T11:43:59Z) - Generalized Few-shot Semantic Segmentation [68.69434831359669]
本稿では,GFS-Seg(Generalized Few-Shot Semantic)と呼ばれる新しいベンチマークを導入する。
GFS-セグにおいて、先行する最先端の一般化が不足していることを示す最初の研究である。
本研究では,1)支援サンプルから共起前の知識を活用すること,2)各クエリ画像の内容に基づいて条件付き情報に動的に拡張することにより,性能を著しく向上するコンテキスト認識型プロトタイプ学習(CAPL)を提案する。
論文 参考訳(メタデータ) (2020-10-11T10:13:21Z) - Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。
生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
論文 参考訳(メタデータ) (2020-07-20T18:04:14Z) - Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。
合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文 参考訳(メタデータ) (2020-03-30T02:43:16Z)
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。