广义零样本学习中用于偏倚校准的门控模型
机器学习
2022-03-09 v1 计算机视觉与模式识别
摘要
广义零样本学习（GZSL）旨在训练一个仅利用辅助信息即可泛化到未见过类别数据的模型。GZSL 中的主要挑战之一是由于训练时仅对可用的已见类别数据过拟合而导致的对见类预测的模型偏倚。为克服该问题，我们提出一种基于双流自编码器的门控模型用于 GZSL。我们的门控模型预测查询数据是来自已见类还是未见类，并利用独立的已见类与未见类专家分别预测类别。该框架避免了将已见类的偏倚预测分数与未见类的预测分数进行比较。特别地，我们度量自编码器潜空间与交叉重构空间中视觉与属性表示之间的距离。这些距离被用作互补特征，在不同数据抽象层次上刻画未见类。此外，双流自编码器作为门控模型与未见类专家的统一框架，使所提方法计算高效。我们在四个基准图像识别数据集上验证了所提方法。与其他最先进方法相比，我们在 SUN 和 AWA2 上取得了最佳调和平均准确率，在 CUB 和 AWA1 上取得次佳。此外，我们的基础模型所需模型参数量比依赖生成模型的最先进方法至少少 20%。
引用
@article{arxiv.2203.04195,
title = {A Gating Model for Bias Calibration in Generalized Zero-shot Learning},
author = {Gukyeong Kwon and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2203.04195},
year = {2022}
}
备注
IEEE Transactions on Image Processing, 2022. Code is available at https://github.com/gukyeongkwon/gating-ae