零样本学习的新视角：通过语义特征扩展实现流形结构对齐
计算机视觉与模式识别
2020-05-01 v1 机器学习
摘要
零样本学习旨在借助从已见类迁移的知识来识别未见类（无训练样本）。这通常通过利用已见类与未见类共享的语义特征空间（即属性或词向量）作为桥梁来实现。零样本学习中的常见做法是用已见类的带标签样本训练视觉与语义特征空间之间的一个投影。推断时，将学到的投影应用于未见类，并通过某些度量识别类标签。然而，视觉与语义特征空间相互独立且具截然不同的流形结构。在此范式下，大多数现有方法易遭受域偏移问题并削弱零样本识别性能。为解决该问题，我们提出一种称为 AMS-SFE 的新模型。它考虑通过语义特征扩展来实现流形结构对齐。具体而言，我们基于自编码器模型从视觉输入扩展语义特征。此外，该扩展由从数据视觉特征空间提取的嵌入流形联合引导。我们的模型是首个通过扩展语义特征对齐两特征空间的尝试，并带来两点益处：其一，我们扩展了一些增强语义特征空间的辅助特征；其二且更重要的是，我们隐式地对齐了视觉与语义特征空间之间的流形结构；因而投影可被更好地训练并缓解域偏移问题。大量实验显示出显著的性能提升，验证了模型的有效性。
引用
@article{arxiv.2004.14795,
title = {A Novel Perspective to Zero-shot Learning: Towards an Alignment of Manifold Structures via Semantic Feature Expansion},
author = {Jingcai Guo and Song Guo},
journal= {arXiv preprint arXiv:2004.14795},
year = {2020}
}