GNN + Zero-shot
1 Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs
——CMU CVPR2018
1.1 任务描述
total label: n (okapi/ zebra/ deer)
seen label: m (zebra/ deer) + training pictures
unseen label: n-m (okapi)
knowledge graph:seen + unseen
1.2 模型框架
Input:Word Embedding x_i (a semantic description of each specific class)
Output:visual classifier (logistic regression model) \hat{w}_i (GT w_i(i=1,...,m) by training data)
visual feature (by pre-trained ConvNet) * classifier = classification score
1.3 实验结果
效果翻两倍(๑•̀ㅂ•́)و✧
Code https://github.com/JudyYe/zero-shot-gcn
2 Rethinking Knowledge Graph Propagation for Zero-Shot Learning
2019.3.27 论文1的进阶版
2.1 主要思路
论文1中的6层GCN会造成over-smoothing的问题,所以本文提出了Dense Graph Propagation (DGP) 模块,直接连接远距离的结点,只需1层GCN。
2.2 模型框架
Dense Graph Propagation
2 connect patterns: descendant propagation & ancestor propagation
Training:
1. train the DGP to predict the last layer weights of a pre-trained CNN
2. train the CNN by optimizing the cross-entropy classification loss on the seen classes
Test:
CNN Feature Extraction * \wave{W}
2.3 实验结果
比文章1的结果更好(๑•̀ㅂ•́)و✧
3 The More You Know: Using Knowledge Graphs for Image Classification
——CMU CVPR2017
As most knowledge graphs are large for reasoning, [60] selects some related entities to build a sub-graph based on the result of object detection and applies GGNN to the extracted graph for prediction.
Graph model: GGNN -> GSNN
4 Multi-Label Zero-Shot Learning with Structured Knowledge Graphs
——CMU CVPR2018
4.1 新的知识图谱
结点特征是word embedding
Source: WordNet (easily accessible and contains rich semantic relationships between different concepts)
边种类:
1 super-subordinate: directly extracted from WordNet
2 positive correlation & negative correlation: label similarities are calculated by WUP similarity [45], followed by thresholding the soft similarities into positive and negative correlations.
4.2 模型结构
结点特征是x的feature,word embedding在边上起作用
1. 正常的multi-label分类作为初始化 x features -> Fi = node initial belief states hv^0
y \in {0,1}^{|S|}
2. label之间开始传递 Graph model:GGNN->GSNN
边W word embedding: F_R^k (w_u,w_v)->a_vu propagation weight (k=3)
3. 输出 hv^(T) -> Fo ->\hat{y}\in {0,1}
propagation matrix A
F_R^k: neural network
information propagation
4.3 实验结果
5 总结
论文中的知识图谱的结构都是事先规定好的。
5.1 知识图谱数据库
语言知识图谱:WordNet
事实性知识图谱:OpenCyc , Freebase , DBpedia , YAGO2
领域知识图谱:人物之间的亲属关系Kinships,医学领域UMLS,Cora
机器自动构建的知识图谱:Knowledge Vault,NELL
统一医学语言系统(Unified Medical Language System,UMLS)是美国国立医学图书馆持续开发了20多年的巨型医学术语系统,涵盖了临床、基础、药学、生物学、医学管理等医学及与医学相关学科,收录了约200万个医学概念,医学词汇更是空前,达到了500多万个。
医疗图像具有特定性,比如WSI,就是癌细胞和非癌细胞两种,不像自然图片会有那么多种类。
准确性还比较低,医疗不太能允许有那么低的准确率
GNN + Zero-shot相关推荐
- GNN教程:与众不同的预训练模型!
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:秦州,算法工程师,Datawhale成员 0 引言 虽然 GNN ...
- GNN教程:预训练模型
转载 目录 0 引言 1 预训练介绍 2 GCN 预训练模型框架介绍 2.1 预训练任务介绍 本节小结 2.2 应用于下游任务 本节小结 后记 0 引言 虽然 GNN 模型及其变体在图结构数据的学习方 ...
- Single Shot Multibox Detection (SSD)实战(下)
Single Shot Multibox Detection (SSD)实战(下) Training 将逐步解释如何训练SSD模型进行目标检测. 2.1. Data Reading and Initi ...
- Single Shot Multibox Detection (SSD)实战(上)
Single Shot Multibox Detection (SSD)实战(上) 介绍了边界框.锚框.多尺度对象检测和数据集.现在,我们将利用这些背景知识构建一个目标检测模型:单次多盒检测(SSD) ...
- SSD(Single shot multibox detector)目标检测模型架构和设计细节分析
先给出论文链接:SSD: Single Shot MultiBox Detector 本文将对SSD中一些难以理解的细节做仔细分析,包括了default box和ground truth的结合,def ...
- PCL中3D特征描述子Shot详解
上周点云公众号开始分享群友们的反馈分享,由博主分配任务,半个月甚至一个月参与学习小伙伴的反馈给群主,并在微信交流群中进行学术交流,加强大家的阅读文献能力,并提高公众号的分享效果.已经有一些开始陆续反馈 ...
- 赠书 | GNN 模型在生物化学和医疗健康中的典型应用
计算生物化学和医疗健康的数据常常通过图来表示. 例如,分子和化合物可以自然地表示为以原子为节点.以键为边的图.蛋白质相互作用(Protein-ProteinInteractions,PPI)记录了两个 ...
- ICLR 2020论文投稿2600篇,GNN、BERT、Transformer领跑热门研究方向
(图片由AI科技大本营付费下载自视觉中国) 出品 | AI科技大本营(ID:rgznai100) 2019 年 4,ICLR 2020 论文征集活动开始,截止 9 月 25 日,大会共收到近 2600 ...
- 什么限制了GNN的能力?首篇探究GNN普适性与局限性的论文出炉!
作者 | Andreas Loukas 译者 | 凯隐 责编 | Jane 出品 | AI科技大本营(ID: rgznai100) [导读]GNN是目前机器学习领域的热门网络之一,肯多研究与技术分享相 ...
- GNN教程:DGL框架中的采样模型!
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:秦州,算法工程师,Datawhale成员 引言 本文为GNN教程的 ...
最新文章
- Halcon:(3)铝板检测与角点坐标计算
- WSDL、SOAP、UDDI
- qt ui界面无法移动控件_使用qt 键盘上的方向键只能控制ui界面上的按钮选择,不能实现我设定的功能...
- 普通内部类里面为什么不能有static字段
- Bootstrap模态框使用WebUploader点击失效问题解决
- 1亿组图文对,填补中文开源多模态数据集空白!还附带基础模型,来自华为诺亚方舟实验室...
- 不允许从数据类型 ntext 到数据类型 varchar 的隐性转换
- centos snmp配置_Cacti1.2.16最新版安装和配置(Shell一键安装)
- 【转】Visual Studio 2005 上 AJAX(AjaxControlToolkit) 的安装
- 玩转SpringSession,重要知识点全面剖析(续篇)
- JS+XMLDOM+XSL:实现中英文界面切换、排序、分页显示、增删改查XML文件数据源
- 自动驾驶_(无人驾驶)综述
- Atitit ACID解决方案2PC(两阶段提交) 跨越多个数据库实例的ACID保证
- Centos中安装memcached
- 入门 HTML JavaScript Jquery学习回顾 有小案例
- 【微信小程序】java游戏后端开发
- Qt+OpenVino部署yolo5模型
- 微信小程序码中间Logo修改
- Android Audio 音频输出设备切换
- 盘点 | 2022值得学习的编程语言 TOP 7
热门文章
- 超定方程组最小二乘解法——正规方程组求解(matlab代码)
- 单库单服解决方案terraform部署实践
- Redis字符串类型的操作
- 使用ntp协议同步时间,chronyc sources -v 同步时间
- 面向对象之多态、多态性
- linux内存管理2:内存映射和需求分页(英文名字:demand Paging,又叫:缺页中断)【转】...
- 原生JS实现各种经典网页特效——Banner图滚动、选项卡切换、广告弹窗等
- ruby gem 记录
- iText和flying saucer结合生成pdf--显示分页页码
- SpringMVC入门(一)Dispatcher