面向直推式零样本学习的属性诱导偏置消除方法
计算机视觉与模式识别
2020-06-02 v1
摘要
直推式零样本学习（ZSL）旨在通过在联合嵌入空间中对齐视觉与语义信息来识别未见类别。直推式ZSL中存在四类域偏置，即两个域之间的视觉偏置与语义偏置，以及各自可见与未见域中的两种视觉-语义偏置，但现有工作仅关注其中部分偏置，导致知识迁移过程中严重的语义歧义。为解决上述问题，我们提出一种新颖的面向直推式ZSL的属性诱导偏置消除（AIBE）模块。具体而言，针对两域间的视觉偏置，首先利用Mean-Teacher模块通过无监督学习与无标签图像弥合两域间的视觉表征差异。随后，提出一种注意力图属性嵌入，利用图操作捕捉类别间语义关系，以减小可见与未见类别间的语义偏置。此外，为减小可见域中的语义-视觉偏置，我们将每个类别的视觉中心而非单个视觉数据点与其对应语义属性对齐，从而在嵌入空间中进一步保留语义关系。最后，针对未见域中的语义-视觉偏置，设计了一种未见语义对齐约束，以无监督方式对齐视觉与语义空间。在多个基准上的评估证明了所提方法的有效性，例如在CUB、AwA2和SUN数据集上分别取得常规/广义ZSL设定下的82.8%/75.5%、97.1%/82.5%和73.2%/52.1%。
引用
@article{arxiv.2006.00412,
title = {Attribute-Induced Bias Eliminating for Transductive Zero-Shot Learning},
author = {Hantao Yao and Shaobo Min and Yongdong Zhang and Changsheng Xu},
journal= {arXiv preprint arXiv:2006.00412},
year = {2020}
}