一种受生物启发用于零样本学习的特征增强框架
计算机视觉与模式识别
2020-05-19 v1 机器学习
机器学习
摘要
目前大多数零样本学习(Zero-Shot Learning, ZSL)算法使用预训练模型作为其特征提取器,这些模型通常通过在 ImageNet 数据集上使用深度神经网络训练得到。预训练模型中嵌入的特征信息的丰富性可帮助 ZSL 模型从有限的训练样本中提取更有用的特征。然而,有时当前 ZSL 任务的训练数据集与 ImageNet 数据集之间的差异过大,可能导致使用预训练模型对 ZSL 模型性能无明显帮助甚至产生负面影响。为解决此问题,本文提出了一种受生物启发的 ZSL 特征增强框架。具体而言,我们设计了一个双通道学习框架,利用辅助数据集增强 ZSL 模型的特征提取器,并基于生物分类学知识提出了一种指导辅助数据集选择的新方法。大量实验结果表明,我们提出的方法能有效提升 ZSL 模型的泛化能力,并在三个基准 ZSL 任务上取得 state-of-the-art 结果。我们也通过特征可视化的方式对实验现象进行了解释。
引用
@article{arxiv.2005.08704,
title = {A Biologically Inspired Feature Enhancement Framework for Zero-Shot Learning},
author = {Zhongwu Xie and Weipeng Cao and Xizhao Wang and Zhong Ming and Jingjing Zhang and Jiyong Zhang},
journal= {arXiv preprint arXiv:2005.08704},
year = {2020}
}