基于对抗域适应的零样本学习生成框架
机器学习
2020-02-25 v3 计算机视觉与模式识别
机器学习
摘要
我们提出一种基于域适应的零样本学习生成框架。我们的框架解决了零样本学习中可见类与不可见类分布之间的域偏移问题，并通过开发经对抗域适应训练的生成模型来最小化该偏移。我们的方法基于对可见类与不可见类类分布端到端的学习。为使模型能学习不可见类的类分布，我们根据类属性信息（可见类与不可见类均可用）对这些类分布进行参数化。这提供了一种非常简便的方式，在仅给定类属性信息且无标注训练数据的情况下，学习任意不可见类的类分布。通过对抗域适应训练该模型，进一步提供了针对可见类与不可见类数据间分布失配的鲁棒性。我们的方法还提供了一种训练基于神经网络的分类器的新颖方式，以克服零样本学习中的中心性问题（hubness problem）。通过一组综合实验，我们表明在多种基准数据集上，与各类最先进（state-of-the-art）零样本学习模型相比，我们的模型取得了更优准确率。实验代码见 github.com/vkkhare/ZSL-ADA
引用
@article{arxiv.1906.03038,
title = {A Generative Framework for Zero-Shot Learning with Adversarial Domain Adaptation},
author = {Varun Khare and Divyat Mahajan and Homanga Bharadhwaj and Vinay Verma and Piyush Rai},
journal= {arXiv preprint arXiv:1906.03038},
year = {2020}
}
备注
Proceedings of Winter Conference on Applications of Computer Vision (WACV) 2020