通过属性增强合成多样特征以提升生成式零样本学习
计算机视觉与模式识别
2021-12-24 v1
摘要
深度生成模型的最新进展为零样本学习（ZSL）领域勾勒了有前景的前景。大多数生成式 ZSL 方法使用类别语义属性加上高斯噪声来生成视觉特征。在生成未见样本后，这类方法有效地将 ZSL 问题转化为监督分类方案。然而，现有模型使用单一的语义属性，其包含类别的完整属性信息。生成的数据也携带完整的属性信息，但在现实中，视觉样本通常具有有限的属性。因此，由属性生成的数据可能具有不完整的语义。基于这一事实，我们提出了一种通过合成多样特征来提升 ZSL 的新框架。该方法使用增强的语义属性来训练生成模型，以模拟视觉特征的真实分布。我们在四个基准数据集上评估了所提出的模型，观察到相对于最先进方法显著的性能提升。
引用
@article{arxiv.2112.12573,
title = {Boosting Generative Zero-Shot Learning by Synthesizing Diverse Features with Attribute Augmentation},
author = {Xiaojie Zhao and Yuming Shen and Shidong Wang and Haofeng Zhang},
journal= {arXiv preprint arXiv:2112.12573},
year = {2021}
}
备注
Accepted by AAAI2022