面向零样本学习的未见类别视觉样例预测
计算机视觉与模式识别
2017-08-22 v2
摘要
利用类别语义描述和已知对象的样例，零样本学习使得训练一个针对无可用样例对象类别的识别模型成为可能。本文中，我们提出一种新颖的零样本学习模型，其利用了语义嵌入空间中的聚类结构。核心思想是施加如下结构约束：语义表示必须能预测其对应视觉样例的位置。为此，这归结为从可见对象类别的标注数据的语义表示-样例对训练多个基于核的回归器。尽管简单，我们的方法在标准基准数据集上显著优于现有零样本学习方法，包括具有超过 20,000 个未见类别的 ImageNet 数据集。
引用
@article{arxiv.1605.08151,
title = {Predicting Visual Exemplars of Unseen Classes for Zero-Shot Learning},
author = {Soravit Changpinyo and Wei-Lun Chao and Fei Sha},
journal= {arXiv preprint arXiv:1605.08151},
year = {2017}
}
备注
ICCV2017 camera-ready