一种基于边界的分布外分类器用于广义零样本学习
计算机视觉与模式识别
2022-01-04 v2
摘要
广义零样本学习（GZSL）是一个具有挑战性的课题，在许多现实场景中有着广阔前景。使用门控机制将未见样本与已见样本区分开，可将 GZSL 问题分解为常规的零样本学习（ZSL）问题与有监督分类问题。然而，由于未见域中缺乏数据，训练该门通常具有挑战性。为解决此问题，本文提出一种基于边界的分布外（OOD）分类器，仅使用已见样本训练即可对未见域与已见域进行分类。首先，我们在单位超球面上学习一个共享潜在空间，其中视觉特征与语义属性的潜在分布按类别对齐。然后我们为每个类别寻找流形的边界与中心。通过利用类中心与边界，可将未见样本与已见样本分离。之后，我们使用两个专家分别对已见和未见样本分类。我们在 AWA1、AWA2、CUB、FLO 和 SUN 五个流行基准数据集上广泛验证了我们的方法。实验结果证明了我们的方法相对于最先进方法的优势。
引用
@article{arxiv.2008.04872,
title = {A Boundary Based Out-of-Distribution Classifier for Generalized Zero-Shot Learning},
author = {Xingyu Chen and Xuguang Lan and Fuchun Sun and Nanning Zheng},
journal= {arXiv preprint arXiv:2008.04872},
year = {2022}
}
备注
We found that the results in the first version are incorrect, due to the data leak problem in the original dataset splits. In this version, we fix this problem in the experiments