极市直播｜陈使明：零样本学习的关键问题研究

针对当前机器学习模型过于依赖于大规模有标注或无标注数据这一问题，零样本学习（Zero-shot Learning）这一新的学习范式近年来受到广泛关注。零样本学习旨在通过运用已获取的知识去认知未知类，从而使得机器学习系统具备不断学习的能力。当前零样本学习依托于额外的辅助信息（如，属性描述）得以实现，其关键在于如何准确地表示视觉和属性语义之间的交互，例如，视觉→语义（基于语义嵌入的模型）、语义→视觉（生成模型）、视觉→子空间&语义→子空间（公共子空间学习模型）。通过对这些技术的深度研究分析，他们发现当前零样本学习面临跨数据集偏差、视觉-属性的关键公共语义表示、视觉-语义的异构特征对准等问题。

在这次分享中，我们邀请到了来自华中科技大学的博士生陈使明，为我们介绍他们在该问题上的探索：

1. Shiming Chen et al. TransZero: Attribute-guided Transformer for Zero-shot Learning. Submitted AAAI’22.

2. Shiming Chen et al. FREE: Feature Refinement for Generalized Zero-shot Learning. In ICCV, 2021.

3. Shiming Chen et al. SMAN: Semantically Mutual Attention Network for Zero-Shot Learning. Submitted to CVPR’22.

4. Shiming Chen et al. HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning. In NeurIPS, 2021.

时间

2022年2月24日：20:00-21:00

主题

陈使明

华中科技大学2019级博士生。在NeurIPS, ICCV, AAAI等人工智能和机器学习领域顶级会议中发表过多篇学术论文。主要研究方向是生成建模与学习，零样本学习。

个人主页：https://shiming-chen.github.io/