用于零样本分类的属性调制生成元学习
人工智能
2021-12-30 v3
摘要
零样本学习（ZSL）旨在将知识从已见类迁移到训练时缺失的语义相关未见类。ZSL的有前景策略是基于语义侧信息合成未见类的视觉特征，并引入元学习以消除模型对已见类的固有偏置。尽管现有元生成方法追求跨任务分布共享的通用模型，我们旨在构建适应任务特征的生成网络。为此，我们提出一种用于零样本学习的属性调制生成元模型（AMAZ）。我们的模型由属性感知调制网络、属性增强生成网络和属性加权分类器组成。给定未见类，调制网络通过应用任务特定变换自适应地调制生成器，使生成网络能适应高度多样化的任务。加权分类器利用数据质量增强训练过程，进一步提升模型性能。我们在四个广泛使用的基准上的实证评估表明，AMAZ在ZSL和广义ZSL设定下分别比最先进方法高出3.8%和3.1%，证明了我们方法的优越性。我们在零样本图像检索任务上的实验显示了AMAZ合成展现真实视觉特征实例的能力。
引用
@article{arxiv.2104.10857,
title = {Attribute-Modulated Generative Meta Learning for Zero-Shot Classification},
author = {Yun Li and Zhe Liu and Lina Yao and Xiaojun Chang},
journal= {arXiv preprint arXiv:2104.10857},
year = {2021}
}