零样本学习综述

来源 :计算机工程与应用 | 被引量 : 0次 | 上传用户:jjandrew1
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
尽管自深度学习发展以来,减少大量人工标记样本的需求使得零样本学习取得了不错的进展,以至于已经拥有比较完善的理论体系。但是对于零样本学习应用的研究寥寥无几,如何有效地对应用领域进行梳理是现阶段急需解决的问题。对零样本的理论体系进行介绍,通过一个例子引出零样本学习的定义,继而与广义零样本、监督学习比较,再而列举4个关键问题以及现有的解决方案,给出文本、图像、视频三方面常用的数据集;按照关键技术(属性、嵌入以及生成模型)出现时间顺序,对13个典型模型如何进行零样本学习展开描述,并对优点、缺点、创新点、挑选数据集
其他文献
路径规划的目的是让机器人在移动过程中既能避开障碍物,又能快速规划出最短路径。在分析基于强化学习的路径规划算法优缺点的基础上,引出能够在复杂动态环境下进行良好路径规划的典型深度强化学习DQN(DeepQ-learningNetwork)算法。深入分析了DQN算法的基本原理和局限性,对比了各种DQN变种算法的优势和不足,进而从训练算法、神经网络结构、学习机制、AC(Actor-Critic)框架的多种变形四方面进行了分类归纳。提出了目前基于深度强化学习的路径规划方法所面临的挑战和亟待解决的问题,并展望了未来的
在C-V2X通信中,Mode 4资源分配方式使用基于感知的半持续调度(SB-SPS)算法进行资源分配,但该算法以最大功率传输安全消息,在高密度交通流状态下会导致系统的可靠性下降。为对SB-SPS算法进行优化,提出一种基于深度强化学习的联合资源分配与功率控制算法。车辆在感知到信道后,为安全消息选择干扰最小的子信道,并根据信道状态自适应调整传输功率,通过与环境交互学习的方式求解最优的子信道选择方案和功率控制方案。仿真结果表明,与SB-SPS优化算法相比,该算法在高密度公路场景下分组接收率提高5%,有效提升了车
针对YOLO目标检测算法存在边界框定位不准确及对小目标检测精度低的问题,提出一种改进的YOLO目标检测算法dcn-YOLO。使用k-means++算法聚类出更符合数据集尺寸的锚盒,以降低初始点对聚类结果的影响并加快网络训练收敛速度。构建残差可变形卷积模块res-dcn,分别采用将其嵌入YOLO第一特征提取头模块中和替换3个YOLO特征提取头模块的方式,构建两种改进的dcn-YOLO算法,使网络可以
“刘雨鑫!你还不赶快给我进书房里写作业去!”老妈怒气冲冲地吼道。面对妈妈那比张飞还要强一个等级的“河东狮吼”,我只好默默地放下电视遥控器,站起身,像遇见警察的小偷一样,战战兢兢地走进书房,做起了作业。  为什么会出现开头这一幕?为什么我会如夏侯杰被张飞吓得失魂落魄、六神无主一般呢?全都是因为我做了一件突破妈妈底线的事情。  那是周末一个阳光明媚的早晨。妈妈要去单位加班,临出门前,妈妈专门嘱咐我先做
为降低新一代高效视频编码标准H.266/VVC的编码复杂度,提出一种快速的帧内预测模式判决方法。从率失真理论的角度出发,分析变换域残差的分布特性,根据标量量化技术对码率的影响推导出编码码率预测模型。结合帧内预测原理,利用当前块预测残差、参考块预测残差及其编码失真提出编码失真预测模型,并根据率失真代价确定最优的帧内预测模式。实验结果表明,该判决方法在保证编码效率的同时约节省了31%的编码时间。
我家门前有几棵大树,是鸟儿的天堂。一到傍晚,就有成群结队的小麻雀在树上叽叽喳喳地叫着,欢快地跳来跳去。  一天,有一只小鸟不小心飞进了我家。它惊慌失措,横冲直撞,到处找出口。直到累了,它才停在了客厅。妈妈把它捉住,给了我。我见这只小鸟特别可爱,想把它养在家里。可是,爸爸媽妈不同意,妈妈对我说:“野生的鸟儿向往自由,所以,它们宁愿被饿死,也不会吃人给的东西。而且,它的爸爸妈妈还在等它回家呢!”是呀,
无线胶囊内镜(WCE)技术可以检测出肠胃道异常,计算机辅助诊断WCE图像方法由于标注图像数据量少、图像类内变异度高和类间相似等原因导致效果不佳。为此,提出一种基于注意力关系网络的WCE图像多分类方法。将关系网络、注意力机制以及元学习训练策略相结合,构造基于注意力机制的嵌入模块以提取WCE图像特征,将提取后的特征进行特征映射级联后输入到关系模块,根据关系模块输出的相似性评分判断样本所属类别,采用元学
随着无人机技术的快速发展,无人机在研究领域和工业应用方面受到了广泛的关注。图像和视频是无人机感知周围环境的重要途径。图像语义分割是计算机视觉领域的研究热点,在无人驾驶、智能机器人等场景中应用广泛。无人机航拍图像语义分割是在无人机航拍图像的基础上,运用语义分割技术使无人机获得场景目标智能感知能力。介绍了语义分割技术和无人机的应用发展、相关无人机航拍数据集、无人机航拍图像特点和常用语义分割评价指标。针
量子比较器是量子算法设计中的重要组成部分,其对于量子算法的物理实现具有重要意义。针对比较器的量子代价与垃圾输出优化问题,分成三个阶段提出了改进TR门级联的量子比较器设计方案:第一个阶段使用布尔逻辑推导了方案的实现,并对其进行简化;第二个阶段设计了1位的量子比较器;第三个阶段将比较器进行级联,并实现n位的一般性比较器。通过迭代式的推导证明了其正确性,对比其他文献,该设计减少了近12.6%的量子代价,同时节约了47.6%的垃圾输出。通过实验仿真,证明其可以正常运行。与其他类型比较器相比,该设计所需的量子代价与
针对传统烟花算法收敛精度低,收敛速度慢,容易陷入局部最优等问题,提出一种基于锦标赛精英学习与协方差变异的烟花算法(GLFWA-CM)。该算法在爆炸算子过程中利用核心烟花更新信息确定核心烟花在每一维上的爆炸半径,并引导核心烟花在更新方向上产生更多的爆炸火花,提高了核心烟花的搜索能力;在变异算子中用协方差变异代替原来的高斯变异,充分利用爆炸火花的信息,有效平衡了算法的局部搜索和全局搜索能力;在烟花选择过程中提出了一种基于锦标赛的精英学习策略,有效加快了算法收敛速度。在CEC2015测试函数上做仿真实验,结果表