检索结果-南通市图书馆

zero-shot Fine-grained Classification by Deep Feature Learning with Semantics

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

International Journal of Automation and computing 2019年第5期16卷 563-574页

作者： Ao-Xue Li Ke-Xin Zhang Li-Wei Wang The Key Laboratory of Machine Perception (MOE) School of Electronics Engineering and Computer SciencePeking University

Fine-grained image classification, which aims to distinguish images with subtle distinctions, is a challenging task for two main reasons: lack of sufficient training data for every class and difficulty in learning discriminative features for representation. In this paper, to address the two issues, we propose a two-phase framework for recognizing images from unseen fine-grained classes, i.e., zeroshot fine-grained classification. In the first feature learning phase, we finetune deep convolutional neural networks using hierarchical semantic structure among fine-grained classes to extract discriminative deep visual features. Meanwhile, a domain adaptation structure is induced into deep convolutional neural networks to avoid domain shift from training data to test data. In the second label inference phase, a semantic directed graph is constructed over attributes of fine-grained classes. Based on this graph, we develop a label propagation algorithm to infer the labels of images in the unseen classes. Experimental results on two benchmark datasets demonstrate that our model outperforms the state-of-the-art zero-shot learning models. In addition, the features obtained by our feature learning model also yield significant gains when they are used by other zero-shot learning models, which shows the flexility of our model in zero-shot finegrained classification.

关键词： Fine-grained image classification zero-shot learning deep feature learning domain adaptation semantic graph

Self‑supervised zero‑shot dehazing network based on dark channel prior

在线全文

学校读者我要写书评

暂无评论

Frontiers of Optoelectronics 2023年第1期16卷 95-108页

作者： Xinjie Xiao Yuanhong Ren Zhiwei Li Nannan Zhang Wuneng Zhou School of Electronic and Electrical Engineering Shanghai University of Engineering ScienceShanghai 201620China College of Information Science and Technology Donghua UniversityShanghai 201620China

Most learning-based methods previously used in image dehazing employ a supervised learning strategy,which is timeconsuming and requires a large-scale ***,large-scale datasets are difcult to ***,we propose a selfsupervised zero-shot dehazing network(SZDNet)based on dark channel prior,which uses a hazy image generated from the output dehazed image as a pseudo-label to supervise the optimization process of the ***,we use a novel multichannel quad-tree algorithm to estimate atmospheric light values,which is more accurate than previous ***,the sum of the cosine distance and the mean squared error between the pseudo-label and the input image is applied as a loss function to enhance the quality of the dehazed *** most signifcant advantage of the SZDNet is that it does not require a large dataset for training before performing the dehazing *** testing shows promising performances of the proposed method in both qualitative and quantitative evaluations when compared with state-of-the-art methods.

关键词： Image dehazing Quad-tree algorithm Self-supervised zero-shot

Example-guided stylized response generation in zero-shot setting

在线全文

学校读者我要写书评

暂无评论

Science China(Information Sciences) 2022年第4期65卷 267-268页

作者： Guirong BAI Shizhu HE Kang LIU Jun ZHAO National Laboratory of Pattern Recognition Institute of Automation Chinese Academy of Sciences University of Chinese Academy of Sciences

Dear editor,Stylized response generation is a valuable task for conversational agents. However, due to the lack of conversational data in various styles, learning to generate responses in the desired style is challenging. In this study, we propose an example-guided stylized response generation method in a zero-shot setting, which is able to fast generate responses in the desired style by utilizing only few non-parallel style examples as guidance. To achieve it,

关键词： Example-guided Style Response generation Low-resource zero-shot

基于反向投影的zero-shot learning目标分类算法研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用研究 2017年第11期34卷 3291-3294页

作者：冯鹏庹红娅乔凌峰王洁欣敬忠良上海交通大学航空航天学院上海200240

zero-shot learning(ZSL)是针对没有训练样本的类别进行分类的问题。传统回归方法的核心是将视觉特征投影到语义空间,没有充分利用视觉特征自身包含的样本信息,同时训练计算量大。提出基于反向投影的ZSL目标分类方法,将类别原型投影到... 详细信息

zero-shot learning(ZSL)是针对没有训练样本的类别进行分类的问题。传统回归方法的核心是将视觉特征投影到语义空间,没有充分利用视觉特征自身包含的样本信息,同时训练计算量大。提出基于反向投影的ZSL目标分类方法,将类别原型投影到视觉空间,利用视觉特征的语义性学习出映射函数,参数优化过程仅通过解析解就可以获得。在两个基准数据集的实验结果表明,提出的反向投影方法分类结果较传统回归方法和其他现有方法有大幅提升,并且训练时间大大减少,可以更好地推广到未知类别的分类问题上。

关键词： zero-shot learning 目标分类反向投影解析解

在线全文

学校读者我要写书评

暂无评论

大规模多任务中文理解能力测试

电脑知识与技术 2024年第15期20卷 17-20页

作者：曾辉甲骨易(北京)语言科技股份有限公司北京100055 LanguageX语言智能实验室北京100055

中文大模型发展迅速,然而缺乏相应的能力测试。本研究提出了一种评估大模型在中文多任务中准确度的方法,涵盖医疗、法律、心理学和教育等4个领域。通过zero-shot和few-shot两种测试模式,发现即使是参数量最大的模型,其在特定领域任务上... 详细信息

中文大模型发展迅速,然而缺乏相应的能力测试。本研究提出了一种评估大模型在中文多任务中准确度的方法,涵盖医疗、法律、心理学和教育等4个领域。通过zero-shot和few-shot两种测试模式,发现即使是参数量最大的模型,其在特定领域任务上的准确率也未达到专家水平,尤其是在法律领域。此外,模型在子任务上的表现不均衡,凸显了其在理解和解决不同领域问题的能力上仍有改进空间。研究结果表明,模型的参数量、训练方式和数据质量对其性能有重要影响,未来研究应致力于提高模型在垂直领域任务的准确性。

关键词：中文大模型多任务评测 zero-shot few-shot 垂直领域任务

在线全文

学校读者我要写书评

暂无评论

基于实体属性信息知识图谱表示学习研究

基于实体属性信息知识图谱表示学习研究

作者：张元波吉林大学

学位级别：硕士

目前,知识图谱(Knowledge Graph,KG)作为知识的结构化表示引起了研究人员的极大关注。知识图谱表示学习(Knowledge Graph Representation Learning,KRL)旨在学习一个准确的、富含语义信息的知识表示。目前的KRL方法仅仅考虑了KGs中结构... 详细信息

目前,知识图谱(Knowledge Graph,KG)作为知识的结构化表示引起了研究人员的极大关注。知识图谱表示学习(Knowledge Graph Representation Learning,KRL)旨在学习一个准确的、富含语义信息的知识表示。目前的KRL方法仅仅考虑了KGs中结构信息和其他语义信息(描述信息、图像信息等),对实体属性信息应用不充分、不全面。此外,属性信息通常是复杂、异构、多样和难以利用的,如何利用实体属性信息提升实体表示的效果是一份具有挑战性的工作。为了解决上述问题并合理地利用属性信息,本文提出一种双重知识图谱表示学习模型Duet Entity Representation Learning Model(DERL),它可以结合实体的结构信息和属性信息共同提升知识表示的整体效果。为了有效地编码实体属性信息,本文在DERL模型中设计了一种属性编码器Entity Attribute Encoder(EAE),它可以合理地编码复杂的属性信息来捕捉实体属性语义信息。EAE中包含两个编码组件:属性类型编码组件和属性值编码组件,分别用来编码实体属性类型信息和实体属性值信息。另外,本文在DERL模型中内嵌了属性注意力机制,用于区分不同属性类型和属性值对实体表示重要性。为了利用实体属性信息解决zero-shot问题,本文提出一种表示学习模型zero-shot Representation Learning Model(ZSRL),它可以利用实体属性信息学习KGs中新增实体的表示,来解决zero-shot场景中两个普遍存在的问题:(1)KGs中新增实体无法直接表示;(2)无法为新增实体学习到一个兼容的、准确的表示。本文为ZSRL模型设计了一种属性编码器Entity Attribute Encoder BiGRU(EAEBG),它可以有效地将新增实体的属性信息编码到实体表示中去。本文为ZSRL模型设计了一种融合评分函数,进一步将基于结构实体表示和基于属性实体表示联合训练,以此来提升实体表示的兼容性,提升ZSRL模型解决zero-shot问题的能力。本文在真实数据集DWY100K与FB24K上分别验证了DERL模型和ZSRL模型的有效性,通过与目前比较流行模型实验结果的对比,DERL模型在知识图谱补全任务(Knowledge Graph Completion,KGC)上最高有14.3%的性能提升,ZSRL模型在基于zero-shot场景知识图谱补全任务上最高有28.6%的性能提升。实验结果证明了本文提出表示学习模型可以利用实体的属性信息学习一个精确的、富含丰富语义的知识表示,并且可以联合实体的结构信息共同提升KRL的整体效果。这不仅证明了DERL模型和ZSRL模型的科学性和有效性,同时也证明了EAE和EAEBG具有优秀的编码能力。本文首次提出使用属性信息解决zero-shot问题,为KRL领域中zero-shot问题提供了新的解决思路。

关键词：知识图谱表示学习实体属性信息属性编码器知识图谱补全 zero-shot