基于语义特征空间自适应调整的零样本识别
计算机视觉与模式识别
2019-04-02 v1 机器学习
机器学习
摘要
近年以来，零样本识别（ZSR）在机器学习和图像处理领域受到越来越多的关注。其旨在利用从可见类迁移的知识来识别不可见类实例。这通常通过利用预定义的语义特征空间（FS）（即语义属性或词向量）作为在可见类与不可见类之间迁移知识的桥梁来实现。然而，由于训练时不可见类的缺失，常规ZSR容易遭受域偏移和中心性问题。本文中，我们提出了一种新颖的ZSR学习框架，可通过自适应调整语义FS来很好地处理这两个问题。据我们所知，我们的工作是首个在ZSR中考虑语义FS自适应调整的。此外，我们的解法可公式化为一个更高效的框架，显著加速训练。大量实验显示了我们的模型相较于其他现有方法的显著性能提升。
引用
@article{arxiv.1904.00170,
title = {Adaptive Adjustment with Semantic Feature Space for Zero-Shot Recognition},
author = {Jingcai Guo and Song Guo},
journal= {arXiv preprint arXiv:1904.00170},
year = {2019}
}