面向零样本学习的熵引导强化部分卷积网络
计算机视觉与模式识别
2021-11-04 v1 机器学习
摘要
零样本学习（Zero-Shot Learning, ZSL）旨在通过语义关联将已学知识从已见类别迁移到未见类别。一种有前景的策略是学习全局-局部表示，将全局信息与额外的局部性（即输入的小部分/区域）相结合。然而，现有方法基于显式特征发现局部性，并未深入挖掘区域间的内在属性与关系。本文提出一种新颖的熵引导强化部分卷积网络（Entropy-guided Reinforced Partial Convolutional Network, ERPCNet），它基于语义相关性和视觉相关性逐步提取并聚合局部性，无需人工标注区域。ERPCNet 使用强化部分卷积与熵引导；它不仅动态发现全局协作的局部性，而且在策略梯度优化中收敛更快。我们在四个基准数据集上，在 ZSL 和广义零样本学习（Generalized Zero-Shot Learning, GZSL）设定下，通过与最先进方法的对比进行了大量实验，以证明 ERPCNet 的性能。我们还通过可视化分析展示了 ERPCNet 的时间效率和可解释性。
引用
@article{arxiv.2111.02139,
title = {An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning},
author = {Yun Li and Zhe Liu and Lina Yao and Xianzhi Wang and Julian McAuley and Xiaojun Chang},
journal= {arXiv preprint arXiv:2111.02139},
year = {2021}
}