面向真实场景物体识别的广义零样本学习的实证研究与分析
计算机视觉与模式识别
2017-01-12 v2
摘要
零样本学习(ZSL)方法已在测试数据被假设仅来自未见类的非现实设定下得到研究。本文倡导研究广义零样本学习(GZSL)问题，其中测试数据的类成员关系不受约束。我们通过经验表明，朴素地使用ZSL方法构建的分类器在广义设定下表现不佳。受此启发，我们提出一种简单但有效的校准方法，可用于平衡两股冲突的力量：识别来自见类的数据与来自未见类的数据。我们开发了性能指标来刻画此种权衡，并检验该度量在评估各种ZSL方法中的效用。我们的分析进一步表明，现有方法的性能与通过理想化语义嵌入建立的上界之间存在较大差距，这意味着改进类的语义嵌入对GZSL至关重要。
引用
@article{arxiv.1605.04253,
title = {An Empirical Study and Analysis of Generalized Zero-Shot Learning for Object Recognition in the Wild},
author = {Wei-Lun Chao and Soravit Changpinyo and Boqing Gong and Fei Sha},
journal= {arXiv preprint arXiv:1605.04253},
year = {2017}
}
备注
ECCV2016 camera-ready