論文の概要: GenZSL: Generative Zero-Shot Learning Via Inductive Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2505.11882v1
• Date: Sat, 17 May 2025 07:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.914199
• Title: GenZSL: Generative Zero-Shot Learning Via Inductive Variational Autoencoder
• Title（参考訳）: GenZSL: 帰納的変分オートエンコーダによるゼロショット学習の生成
• Authors: Shiming Chen, Dingjie Fu, Salman Khan, Fahad Shahbaz Khan,
• Abstract要約: 我々はGenZSLと呼ばれる生成ゼロショット学習のための帰納的変分オートエンコーダを提案する。 我々のGenZSLは、弱いクラスセマンティックベクターを使用して、類似したクラスから新しいクラスサンプルを誘導することで動作します。 3つの人気のあるベンチマークデータセットで実施された実験は、我々のGenZSLの優位性と可能性を示している。
• 参考スコア（独自算出の注目度）: 56.573203512455706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remarkable progress in zero-shot learning (ZSL) has been achieved using generative models. However, existing generative ZSL methods merely generate (imagine) the visual features from scratch guided by the strong class semantic vectors annotated by experts, resulting in suboptimal generative performance and limited scene generalization. To address these and advance ZSL, we propose an inductive variational autoencoder for generative zero-shot learning, dubbed GenZSL. Mimicking human-level concept learning, GenZSL operates by inducting new class samples from similar seen classes using weak class semantic vectors derived from target class names (i.e., CLIP text embedding). To ensure the generation of informative samples for training an effective ZSL classifier, our GenZSL incorporates two key strategies. Firstly, it employs class diversity promotion to enhance the diversity of class semantic vectors. Secondly, it utilizes target class-guided information boosting criteria to optimize the model. Extensive experiments conducted on three popular benchmark datasets showcase the superiority and potential of our GenZSL with significant efficacy and efficiency over f-VAEGAN, e.g., 24.7% performance gains and more than $60\times$ faster training speed on AWA2. Codes are available at https://github.com/shiming-chen/GenZSL.
• Abstract（参考訳）: ゼロショット学習(ZSL)の顕著な進歩は、生成モデルを用いて達成されている。 しかし、既存の生成的ZSL法は、専門家によって注釈付けされた強いクラス意味ベクトルによって導かれるスクラッチから視覚的特徴を(想像)生成するだけで、最適でない生成性能と限られたシーンの一般化をもたらす。 これらの問題に対処し、さらに先進的なZSLを実現するために、GenZSLと呼ばれる生成ゼロショット学習のための帰納的変分オートエンコーダを提案する。 GenZSLは人間レベルの概念学習を模倣し、ターゲットクラス名(CLIPテキスト埋め込み)から派生した弱いクラス意味ベクトルを使用して、類似したクラスから新しいクラスサンプルを誘導する。 有効なZSL分類器を訓練するための情報サンプルの生成を確保するため,GenZSLには2つの重要な戦略が組み込まれている。 まず、クラス意味ベクトルの多様性を高めるためにクラス多様性の促進を利用する。 第二に、ターゲットクラス誘導情報強化基準を利用してモデルを最適化する。 3つの人気のあるベンチマークデータセットで実施された大規模な実験では、f-VAEGANや24.7%のパフォーマンス向上、AWA2でのトレーニング速度の高速化など、GenZSLの優位性と可能性を示しています。 コードはhttps://github.com/shiming-chen/GenZSL.comで公開されている。

関連論文リスト

• On the Transferability of Visual Features in Generalized Zero-Shot Learning [28.120004119724577]
  Generalized Zero-Shot Learning (GZSL) は、目に見えないクラスに一般化可能な分類器を訓練することを目的としている。 本研究では,異なる特徴抽出器を用いた場合のGZSL法の有用性について検討する。 また、これらのモデルの事前学習目標、データセット、アーキテクチャ設計が特徴表現能力にどのように影響するかについても検討する。
  論文  参考訳（メタデータ） (2022-11-22T18:59:09Z)
• 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)
• Generative Zero-Shot Learning for Semantic Segmentation of 3D Point Cloud [79.99653758293277]
  本稿では,ZSL(Zero-Shot Learning)とGZSL(Generalized ZSL)の両方を3次元データ上に生成する手法を提案する。 インダクティブZSLとインダクティブGZSLの両方に対して,ModelNet40分類における技術状況に到達または向上することを示す。 実験の結果,本手法は強いベースラインよりも優れており,さらに本手法を提案する。
  論文  参考訳（メタデータ） (2021-08-13T13:29:27Z)
• Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
  ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。 本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。 実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
  論文  参考訳（メタデータ） (2021-04-22T04:16:43Z)
• Contrastive Embedding for Generalized Zero-Shot Learning [22.050109158293402]
  汎用ゼロショット学習(GZSL)は、目に見えないクラスと見えないクラスの両方からオブジェクトを認識することを目的としている。 最近の特徴生成手法は、見当たらないクラスの視覚的特徴を合成できる生成モデルを学ぶ。 本稿では,生成モデルを組込みモデルに統合し,ハイブリッドgzslフレームワークを実現することを提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:54:03Z)
• Meta-Learned Attribute Self-Gating for Continual Generalized Zero-Shot Learning [82.07273754143547]
  トレーニング中に見られないカテゴリにモデルを一般化するためのメタ連続ゼロショット学習(MCZSL)アプローチを提案する。 属性の自己決定とスケールしたクラス正規化をメタラーニングベースのトレーニングと組み合わせることで、最先端の成果を上回ることができるのです。
  論文  参考訳（メタデータ） (2021-02-23T18:36:14Z)
• Leveraging Seen and Unseen Semantic Relationships for Generative Zero-Shot Learning [14.277015352910674]
  新たな意味正規化損失(SR-Loss)を取り入れた知識伝達を明示的に行う生成モデルを提案する。 7つのベンチマークデータセットの実験は、従来の最先端アプローチと比較してLsrGANの優位性を示している。
  論文  参考訳（メタデータ） (2020-07-19T01:25:53Z)

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。