最新公告
  • 欢迎您光临欧资源网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 2017年,AIchallenger全球AI挑战赛又有数据集福利!

    李根起源于奥飞寺

    量子位报告 | 公众号QbitAI

    AI挑战者再次拥有数据集福利!

    2017年,AI挑战者全球AI挑战赛吸引了来自65个国家的8892支队伍参赛。

    今天,2018新赛季的热身赛开始了。3 月 22 日,AI Challenger 宣布启动零样本学习竞赛。

    同时推出了用于零样本学习的大规模图像属性数据集,包括78017张图像、230个类别和359个属性。与目前零样本学习的主流数据集相比,它具有更丰富的属性和更低的类重叠。

    零样本学习

    零样本学习是目前最具挑战性的人工智能识别方法之一。该模型主要使用已知类别的数据集进行训练,然后用于识别未知类别的样本。

    一般在图像分类识别任务中,训练阶段和测试阶段的样本类别是相同的,但每次为了识别不同类别的样本,都需要将这种样本数据添加到在训练集上,如果新样本数量少或者新样本类别数量过多,都会增加数据集的生产成本,而零样本学习的方法可以很好的解决这个问题。

    本质上,零样本学习是迁移学习的一种方法。在识别未知类别样本的过程中,实现了从已知类别域到未知类别域的知识转移。

    在迁移学习中,可迁移的中间知识起着关键作用。这些中间知识应该是共享的、灵活的和可解释的,只有通过这些知识,才能实现完美的知识转移。

    其中,不同类别的对象共享的数据被标记为属性。属性也是判断零样本数据集的核心维度之一。

    研究现状

    零样本问题在机器学习中并不流行。直到 2008 年,Larochelle 等人。提出了一种针对字符领域分类问题的零样本学习方法,识别准确率达到60%。零镜头学习真的开启了。的关注。

    目前比较主流的方法是直接属性预测模型(DAP)和兰伯特提出的间接属性预测模型(IAP)。

    如下图所示ai遇到未知的图像结构,这两种方法在零样本分类研究中受到了高度关注,这两种模型中的属性训练都是在传统特征提取的基础上进行的。

    首先,使用颜色直方图、局部自相似直方图、SIFT和PHOG等六种方法提取样本图像的底层特征。这些特征包括图像的颜色、形状和纹理。因此,通过这种特征提取方法得到的特征信息可以很好地表达图像中的信息,因此这类图像特征不仅适用于线性分类器,在非线性分类器中也能取得良好的性能。

    通过上述特征提取方法得到样本图像的特征信息后,将提取的特征信息用于属性分类器的训练,然后将训练得到的模型用于属性的预测,最后根据自己的模型结构采用相应的概率。该方法推断测试样本的类别。在 AWA 和 SUN 数据集中使用 DAP 方法可以获得比 40% 和 50% 略高的准确度。可以看出ai遇到未知的图像结构,对零样本图像的分类已经有了一定的效果,但识别准确率有待提高。

    应用场景

    零样本学习有五个潜在的应用场景。

    代理培训

    在智能体训练中,“零样本学习”首先让智能体(Agent)在语义上理解老师给出的指令,并按照理解的命令行动。

    其次,让虚拟老师对这种行为给予正面或负面的反馈。如果反馈是积极的,代理如果能做出正确的动作就可以获得奖励,如果失败,就会受到惩罚。

    在收到奖励的情况下,agent可以慢慢理解语言的意思,学会正确使用语言。

    之后,如果遇到不熟悉的命令,代理可以推断出语言的正确含义,并采取适当的行动来达到预期的目标。

    未知物体识别

    例如,识别模型是针对“马”和“牛”等类别进行训练的,因此模型可以准确识别“马”和“牛”的图片。当模型遇到新类别“大象”时,模型无法做出判断,因为它从未见过。

    传统的解决方案是收集大量的“大象”图片,与原始数据集一起重新训练。这种解决方案既昂贵又缓慢。

    dnftcls遇到未知错误_ai遇到未知的图像结构_acrobat遇到未知错误

    但是,人类能够从描述性知识中快速学习新概念。例如,一个孩子,即使他没有见过“大象”,也会看到文字描述“大象是一种长鼻和象牙的大型食草动物”。孩子们能够从描述中快速学习新的类别“大象”,并在他们第一次看到“大象”时认出它。

    类似于零样本学习,它在没有任何训练样本的情况下,借助辅助知识(如属性、词向量、文本描述等)来学习一些以前从未见过的新概念(类别)。

    未知语言翻译

    最典型的是在三种语言之间进行翻译。按照传统方法,至少需要训练6个网络,双向需要12个网络。

    △ 谷歌翻译提示

    但是,如果通过零样本学习方法训练英语→特征空间→日语和韩语→特征空间→英语两个网络,韩语→特征空间→日语的翻译过程可以自动学习。

    翻译模型的训练效率会大大提高,对于那些没有专门翻译版本的小语种来说也是一个好消息。

    未知类图像合成

    近年来,对抗性网络GAN被用于图像合成,并达到了仿造的效果。但是传统的图像合成只能合成以前见过的类别的图像。

    零样本图像合成期望模型合成它以前从未见过的类别的图像。目前,一些算法已经通过条件GAN网络实现了零镜头图像合成。

    图像哈希

    传统的图像散列算法利用一些训练样本来学习某些类别的散列算法。但是这些学习到的散列算法不能用于新的类。零镜头图像散列,希望在已知类别上学习散列算法可以应用于新的未知类别。

    目前,已经提出了一些基于属性的零样本散列算法。

    门户网站

    那么,你准备好尝试这个零镜头学习竞赛了吗?

    量子比特获悉,AI挑战者零镜头学习大赛将于今天(3月22日)正式开赛,投稿截止时间为4月23日,1-3人的团队可以参加比赛。

    赛制方面,将采取双周赛制。3月22日至4月23日,组委会将举办两场双周比赛。双周赛排名以4月8日晚23时59分59秒及4月22日晚23时59分59秒的成绩单排名为准,届时将通过邮件通知所有参赛者,并发放奖金双周奖将与最终奖金一起发放。

    比赛奖励

    冠军:3万元,获奖证书

    亚军:10000元,获奖证书

    季军:3000元,获奖证书

    双周冠军:3000元

    双周亚军:2000元

    亚军两周:1000元

    竞赛奖励:所有提及的金额均为税前金额

    附件:数据集下载地址:

    – 结束-

    作者是网易新闻网易账号“各有各的态度”的签约作者

    站内大部分资源收集于网络,若侵犯了您的合法权益,请联系我们删除!
    欧资源网 » 2017年,AIchallenger全球AI挑战赛又有数据集福利!

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    欧资源网
    一个高级程序员模板开发平台

    发表评论