.png){kind=icon}
返回
Transductive zero-shot learning via knowledge graph and graph convolutional networks
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-13612-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
零样本学习方法用于识别未见类别的物体。通过将从已知类别转移知识来描述未见类别，深度学习模型可以识别未见类别。然而，仅依赖少量标注的已知数据集和有限的语义关系会导致显著的领域偏移，阻碍分类性能。为解决此问题，我们提出了一种基于知识图谱和图卷积网络的归纳式零样本学习方法。我们首先学习一个知识图谱，其中每个节点代表一个由其语义嵌入编码的类别。通过一个层数较少的浅层图卷积网络，我们在已知类别的视觉分类器监督下学习每个类别的分类器。在测试阶段，对未见样本应用聚类策略，即结合匈牙利算法的双过滤模块，然后使用学习到的分类器预测其类别。对分类更准确的样本赋予伪标注。在归纳式设置中，分类精度更高的未见类别被赋予伪标注，并可与已知类别关联以逐步更新模型参数。我们在三个数据集上验证了所提出的模型，该模型优于其他当前最佳方法，在AWA2上达到47.36%的准确率，在ImageNet50上达到30.69%，在ImageNet100上达到18.87%，相比现有方法提升了4%至10%。
期刊
IF:
3.9
论文数:
27.8W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
Zero-Shot Learning—A Comprehensive Evaluation of the Good, the Bad and the Ugly零拍学习 -- 综合评价好、坏、丑
OAAI
OAAI分享收藏
查看更多内容