面向已见与未见类的零样本学习中的偏置感知
计算机视觉与模式识别
2020-08-26 v1
摘要
广义零样本学习可识别来自已见类与未见类的输入。然而，现有方法往往偏向于训练期间所见到的类。本文致力于缓解这一偏置。我们提出一种偏置感知学习器，将输入映射到语义嵌入空间以用于广义零样本学习。在训练过程中，模型学习通过温度缩放回归到嵌入空间中的实值类原型，同时基于边界的双向熵项对已见类与未见类概率进行正则化。依赖实值语义嵌入空间提供了一种通用方法，因为模型可针对已见类与未见类操作不同类型的语义信息。我们在四个广义零样本学习基准上进行了实验，证明了所提出的偏置感知分类器的优势，无论是作为独立方法还是与生成特征结合使用。
引用
@article{arxiv.2008.11185,
title = {Bias-Awareness for Zero-Shot Learning the Seen and Unseen},
author = {William Thong and Cees G. M. Snoek},
journal= {arXiv preprint arXiv:2008.11185},
year = {2020}
}
备注
Accepted at British Machine Vision Conference (BMVC) 2020