.png){kind=icon}
返回
Selecting generated synthetic features using clustering algorithm for generalized zero-shot learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-025-01979-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
广义零样本学习（GZSL）旨在识别测试数据集中那些在训练数据集中没有图像样本的类别。GZSL任务通常利用预定义的语义属性，将所有类别（包括已知类别和未知类别）置于一个语义空间中。由于未知类别没有真实图像，因此正确分类这些类别是一项具有挑战性的任务。为克服这一挑战，采用生成网络为未知类别生成合成特征。基于此方法，我们提出了一种基于生成器的GZSL模型，该模型通过机器学习方法为生成的合成特征选择最佳样本。在所提出的模型中，我们优先使用语义丰富的表示，而非传统的语义属性来表示语义信息。变分自编码器（VAE）和生成对抗网络（GAN）被联合用于生成合成特征。我们应用k-means和DBSCAN聚类算法对生成的合成特征进行聚类，随后进行分类。为评估所提出的模型，我们在知名的GZSL基准数据集AWA2、CUB和FLO上进行了实验。我们将实验扩展至包含开放集类别。全面的实验结果表明，在AWA2上的GZSL分类性能为67.8%，在CUB上为77.0%，在FLO上为92.4%。此外，我们还观察到k-means和DBSCAN聚类算法对GZSL分类性能的提升作用。
Keyword:
Generalized Zero-Shot learning
K-means
DBSCAN
Variational autoencoder
Generative adversarial network
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Data driven recurrent generative adversarial network for generalized zero shot image classification
PREAI
分享收藏Zero-shot interpretable phenotyping of postpartum hemorrhage using large language models使用大语言模型对产后出血进行零触发可解释的表型.png)
NPJ DIGITAL MEDICINE
OAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏Visual-semantic consistency matching network for generalized zero-shot learning面向广义零拍学习的视觉语义一致性匹配网络NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Joint Feature Generation and Open-set Prototype Learning for generalized zero-shot open-set classification广义零样本开集分类的联合特征生成和开集原型学习PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Generative-based hybrid model with semantic representations for generalized zero-shot learning基于生成式语义表示的广义零样本学习混合模型
IF0
PREAI
分享收藏
查看更多内容