贝叶斯零样本学习
计算机视觉与模式识别
2020-08-28 v3
摘要
环绕我们的对象类别具有在自然中于不同抽象层级涌现的倾向。我们提出一种用于零样本学习（ZSL）的贝叶斯方法，其引入元类别（meta-classes）的概念，并围绕这些类别实现贝叶斯层次结构，以有效地将数据似然与局部和全局先验相融合。由已见类别（即训练时可用类别）的数据驱动的局部先验，在广义ZSL设定下成为恢复未见类别（即训练时缺失类别）的关键。贝叶斯模型的超参数提供了一种便捷方式，用于优化已见与未见类别精度之间的权衡，并引导模型拟合的其他方面。我们在七个基准数据集（包括大规模ImageNet）上进行实验，表明我们的模型在具挑战性的广义ZSL设定中改进了当前最优水平。
引用
@article{arxiv.1907.09624,
title = {Bayesian Zero-Shot Learning},
author = {Sarkhan Badirli and Zeynep Akata and Murat Dundar},
journal= {arXiv preprint arXiv:1907.09624},
year = {2020}
}
备注
Accepted to ECCV 2020, TASK-CV Workshop