用于零样本学习的大规模属性数据集
计算机视觉与模式识别
2021-03-09 v2
摘要
零样本学习（ZSL）在过去几年中吸引了巨大的研究关注；其旨在学习从未见过的新概念。在经典 ZSL 算法中，属性被引入作为中间语义表示，以实现从可见类到不可见类的知识迁移。以往的 ZSL 算法在几个标注了属性的基准数据集上测试。然而，这些数据集在图像分布与属性多样性方面存在缺陷。此外，我们认为现有数据集的“共现偏差问题”（由物体的偏置共现引起）严重阻碍模型正确学习概念。为克服这些问题，我们提出了一个大规模属性数据集（LAD）。我们的数据集包含 5 个超类、230 个类的 78,017 张图像。LAD 的图像数量大于四个最流行属性数据集之和。在实例级别定义并标注了 359 个视觉、语义与主观属性的属性。我们通过进行监督学习与零样本学习任务来分析我们的数据集。七种最先进的 ZSL 算法在该新数据集上测试。实验结果揭示了在此数据集上实现零样本学习的挑战。
引用
@article{arxiv.1804.04314,
title = {A Large-scale Attribute Dataset for Zero-shot Learning},
author = {Bo Zhao and Yanwei Fu and Rui Liang and Jiahong Wu and Yonggang Wang and Yizhou Wang},
journal= {arXiv preprint arXiv:1804.04314},
year = {2021}
}