River_J777的博客

Zero-shot Learning零样本学习 论文阅读（九）——Semantic Projection Network for Zero- and Few-Label算法模型算法思路视觉语义嵌入语义投影这篇CVPR2019的论文提出的模型SPNet主要解决了零标签语义分割ZLSS和少标签语义分割FLSS。算法模型算法思路整个模型一共分为两个部分，视觉语义嵌入和语义映射。首先，学习一个视觉语义嵌入模块，在词嵌入空间中生成中间特征映射。其次，通过一个固定词嵌入投影矩阵将这些特征映射投影到类概率中。在测

Zero-shot Learning零样本学习 论文阅读（八）——Zero-Shot Semantic Segmentation算法模型算法思路算法流程这是一篇关于基于生成方式的零样本语义分割的论文。算法模型算法思路Zero-shot learning解决了训练实例集并非包含所有类别的识别问题。通过使用类别的高级描述，可以使新类别(unseen classes)与可以使用训练实例的类别(seen classes)相关联来实现这一点，通常利用中间表示形式即有关类别信息的语义信息来完成学习。将语义信息

Zero-shot Learning零样本学习 论文阅读（七）——Unsupervised Domain Adaptation for Zero-Shot Learning背景字典稀疏学习算法模型算法思路设定算法原理这篇论文运用了一个unsupervised domain adaptation的技巧结合正则化字典稀疏学习，主要解决zero-shot learning中的domain shift问题。背景字典稀疏学习稀疏表示假如我们用矩阵X={x1,x2,⋯ ,xn}∈Rd×nX=\{x_1,x_

Zero-shot Learning零样本学习 论文阅读（六）——Feature Generating Networks for Zero-Shot Learning背景生成对抗网络GAN算法模型思路模型这篇CVPR 2018年发表的论文提出用对抗生成网络GAN来在特征空间生成数据的思想来解决zero-shot learning的问题。背景生成对抗网络GAN生成对抗网络GAN是源自博弈论中的零和博弈，由两部分组成，分别是生成模型G(generative model)和判别模型(discriminat

Zero-shot Learning零样本学习 论文阅读（五）——DeViSE:A Deep Visual-Semantic Embedding Model背景Skip-gram算法算法思路原理这篇2013年的文章提出了DeViSE这种方法，主要是综合了传统视觉识别的神经网络和词向量处理(word2vec)中的skip-gram模型，实现了一个视觉和语义兼顾的ZSL模型，取得了较好的效果，时至今日准确率仍然可以排在前面。背景Skip-gramSkip-gram是Word2Vec模型中的一种，给定一个

Zero-Shot Learning零样本学习 学习进展汇总基本概念什么是zero-shot learning?基本概念定义语义空间(Semantic Spaces)工程语义空间(Engineered Semantic Spaces)学习语义空间(Learned Semantic Spaces)最大后验概率论文阅读（一）DAP&IAP算法概要前提目标思路具体原理DAP(Directed attribute prediction)IAP(Indirected attribute prediction)

Zero-shot Learning零样本学习 论文阅读（四）——Zero-Shot Recognition using Dual Visual-Semantic Mapping Paths背景流形学习语义间隔(semantic gap)算法原理算法思路符号设定算法流程这篇2017年的论文提供了解决semantic gap问题的简单做法，所谓的semantic gap也就是从图片中提取的低层特征到高层语义之间存在的“语义鸿沟”问题。这与上一篇论文提到的领域漂移问题都是zero-shot learning技

江浩然 \quad \quad \quad \quad \quad 统计1701班 \quad \quad \quad \quad \quad 201714020111

Zero-shot Learning零样本学习 论文阅读（二）——An embarrassingly simple approach to zero-shot learningESZSL算法概况背景前提思路算法原理模型求解损失函数LLL正则化项Ω\OmegaΩ参考文献这篇论文提出了一种新的zero-shot learning方法“Embarrassingly simple Zero-Shot Learning”，后来被简写作EsZSL。之所以叫做“embarrassingly simple”，是因为这种新

Zero-shot Learning零样本学习 论文阅读（一）——Learning to detect unseen object classes by between-class attribute transfer算法概要前提目标思路DAPLearning to detect unseen object classes by between-class attribute这篇文章首次提出了Zero-shot Learning这一问题的概念，并给出了基于物体属性的解决方法。算法概要前提(x1,l1

最大后验估计MAP是最常用的几个参数点估计之一，基本原理由贝叶斯定理而来，先看贝叶斯公式：P(θ∣x)=P(x∣θ)P(θ)P(x)P\left(\theta \mid \boldsymbol x\right)=\frac{P\left(\boldsymbol x \mid \theta\right) P\left(\theta\right)}{P(\boldsymbol x)}P(θ∣x)=P(x)P(x∣θ)P(θ)​其中，我们将P(θ)P\left(\theta\right)P(θ)称为先验概

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar