用于直推式零样本学习的双向分布对齐
计算机视觉与模式识别
2023-03-21 v2 人工智能
摘要
众所周知，零样本学习（ZSL）会严重受域偏移问题的影响，即未见类真实的数据分布与学习到的数据分布不匹配。尽管直推式零样本学习（TZSL）试图通过允许使用来自未见类的无标签样本来改善这一问题，但仍然存在较高程度的分布偏移。我们提出了一种新颖的 TZSL 模型（命名为 Bi-VAEGAN），它通过加强视觉空间与辅助空间之间的分布对齐大幅改善了偏移。模型设计的关键提议包括（1）双向分布对齐，（2）一种简单而有效的基于 L_2 范数的特征归一化方法，以及（3）一种更精细的未见类先验估计方法。在使用四个数据集的基准评估中，Bi-VAEGAN 在标准与广义 TZSL 设定下均取得了新的 SOTA 结果。代码见 https://github.com/Zhicaiwww/Bi-VAEGAN
引用
@article{arxiv.2303.08698,
title = {Bi-directional Distribution Alignment for Transductive Zero-Shot Learning},
author = {Zhicai Wang and Yanbin Hao and Tingting Mu and Ouxiang Li and Shuo Wang and Xiangnan He},
journal= {arXiv preprint arXiv:2303.08698},
year = {2023}
}
备注
CVPR2023