基于无偏嵌入的多模态循环一致零样本学习

发布时间：2023-03-19 20:35

　　在传统的目标分类任务中,训练模型时所有类别的样本都是可用的,然而,在实际生活中,物体往往具有长尾分布的特征,这就导致有些类别的样本没有办法获取到,因此采用传统的目标分类方法来解决问题不太可行。而零样本学习与传统的目标分类方法不同,其目标是识别之前从未见过的新类别中的目标实例。在零样本任务中,训练集中见过的类别和测试集中没有见过的类别是不相交的。针对这种不可见类的物体识别问题的解决,使得近年来零样本学习被广泛的研究和关注。目前已有很多关于零样本学习的研究,但是依然还有一些未解决的问题。首先针对零样本学习的两个问题分析:问题一,即不可见的目标类的实例往往被归类为已看到的源类之一的问题;问题二,不可见类的视觉特征转化到正确的不可见类的语义特征的概率低的问题。鉴于此,本文采用了一种简单而有效的零样本学习方法来解决这两个问题。在本文中,我们假设标记的源图像和未标记的目标图像都可以用于测试,引入的强偏损失使得在语义嵌入空间中,标记的源图像被映射到源类别指定的几个固定点,未标记的目标图像被强制映射到目标类别指定的其他点,同时在本文中加入了多模态循环一致的零样本学习方法。当前的方法通过学习从视觉空间到...

【文章页数】：43 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的研究工作与贡献
    1.4 本文的组织结构
2 相关工作
    2.1 生成对抗网络
        2.1.1 生成对抗网络学习原理
        2.1.2 生成对抗网络的发展
        2.1.3 WGAN
    2.2 零样本学习
    2.3 广义零样本学习
    2.4 本章小结
3 基于无偏嵌入的多模态循环一致零样本学习
    3.1 定义零样本学习问题
    3.2 特征生成网络
    3.3 回归网络
    3.4 判别器网络
    3.5 本章小结
4 实验设计与分析
    4.1 数据集
    4.2 实验设置
    4.3 实验结果及分析
        4.3.1 传统零样本设定实验
        4.3.2 广义零样本设定实验
    4.4 参数分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
在读期间公开发表论文(著)及科研情况



本文编号：3765927