面向图零样本学习的属性传播网络
计算机视觉与模式识别
2020-09-25 v1 机器学习
摘要
零样本学习(ZSL)的目标是训练一个模型来对训练期间未见过类别的样本进行分类。为解决这一具有挑战性的任务,大多数 ZSL 方法通过一组预定义的属性将未见测试类与已见(训练)类关联起来,这些属性能在同一语义空间中描述所有类别,从而将在训练类上学到的知识迁移到未见类。本文中,我们旨在通过训练一种传播机制来优化 ZSL 的属性空间,该机制基于类图上的邻居类与相关类来精炼每个类的语义属性。我们表明,传播后的属性能够在不同 ZSL 设定下为 zero-shot 类生成性能显著提升的分类器。类图通常可免费或极低成本获取,例如 WordNet 或 ImageNet 的类。当未提供类图时,给定类的预定义语义嵌入,我们可以学习一种机制,与传播机制一起以端到端方式生成类图。然而,这一图辅助技术在文献中尚未得到充分探索。本文中,我们提出属性传播网络(APNet),其由两部分组成:1) 为每个类生成属性向量的图传播模型;2) 参数化最近邻(NN)分类器,将图像分类到属性向量与图像嵌入最接近的类。为在未见类上获得更好的泛化能力,与以往方法不同,我们采用元学习策略,在多个子图上训练传播机制及 NN 分类器的相似度度量,每个子图关联一个在训练类子集上的分类任务。在两种零样本学习设定和五个基准数据集上的实验中,APNet 取得了引人注目的性能或新的 SOTA 结果。
引用
@article{arxiv.2009.11816,
title = {Attribute Propagation Network for Graph Zero-shot Learning},
author = {Lu Liu and Tianyi Zhou and Guodong Long and Jing Jiang and Chengqi Zhang},
journal= {arXiv preprint arXiv:2009.11816},
year = {2020}
}
备注
AAAI 2020