一种用于零样本学习的迭代协同训练直推式框架
计算机视觉与模式识别
2022-03-31 v1
摘要
在零样本学习（ZSL）领域，普遍认为直推式学习优于归纳式学习，因为其训练阶段也使用了未见类样本。如何为未见类样本生成伪标签以及如何使用这些通常含噪的伪标签，是直推式学习的两个关键问题。本工作引入一种迭代协同训练框架，包含两个不同的基ZSL模型和一个交换模块。每次迭代中，两个不同ZSL模型协同训练以分别预测未见类样本的伪标签，交换模块交换预测的伪标签，然后将交换后的伪标签样本加入下一轮训练集。由此，我们的框架通过充分挖掘两模型分类能力的潜在互补性，逐步提升ZSL性能。此外，我们的协同训练框架也应用于广义ZSL（GZSL），其中提出一种语义引导的OOD检测器，在类级分类前挑出最可能的未见类样本，以缓解GZSL中的偏置问题。在三个基准上的大量实验表明，我们提出的方法可显著优于约种最先进方法。
引用
@article{arxiv.2203.16041,
title = {An Iterative Co-Training Transductive Framework for Zero Shot Learning},
author = {Bo Liu and Lihua Hu and Qiulei Dong and Zhanyi Hu},
journal= {arXiv preprint arXiv:2203.16041},
year = {2022}
}
备注
15 pages, 7 figures