弥合投影鸿沟：通过参数化距离学习克服投影偏差
计算机视觉与模式识别
2024-09-23 v3 人工智能
摘要
广义零样本学习（GZSL）旨在仅使用已见类样本进行训练来识别来自已见类和未见类的样本。然而，由于投影函数从已见类学习，GZSL方法在推理时容易偏向已见类。大多数方法专注于学习准确的投影，但投影中的偏差不可避免。我们通过提出学习一个参数化的马氏距离度量以实现鲁棒推理来解决这一投影偏差。我们的核心见解是，即使在存在偏差的投影下，推理时的距离计算也至关重要。我们做出了两项主要贡献——（1）我们扩展了VAEGAN（变分自编码器与生成对抗网络）架构，增设两个分支分别输出已见类和未见类样本的投影，从而实现更鲁棒的距离学习。（2）我们引入了一种新的损失函数来优化马氏距离表示并减少投影偏差。在四个数据集上的大量实验表明，我们的方法在调和平均指标上以最高3.5%的提升优于最先进的GZSL技术。
引用
@article{arxiv.2309.01390,
title = {Bridging the Projection Gap: Overcoming Projection Bias Through Parameterized Distance Learning},
author = {Chong Zhang and Mingyu Jin and Qinkai Yu and Haochen Xue and Shreyank N Gowda and Xiaobo Jin},
journal= {arXiv preprint arXiv:2309.01390},
year = {2024}
}
备注
18 pages, 9 figures