CLAREL：基于检索损失的零样本学习分类方法
计算机视觉与模式识别
2020-04-07 v3 机器学习
机器学习
摘要
我们解决学习细粒度跨模态表示的问题。我们提出一种在联合视觉与文本空间中的基于实例的深度度量学习方法。本文的关键新颖之处在于表明，使用逐图像语义监督相比仅使用类别监督在零样本性能上带来显著提升。在此基础上，我们为度量重缩放方法提供概率依据，该方法解决了广义零样本学习设定中一个非常常见的问题，即将来自未见类别的测试图像分类为训练期间见过的某一类别。我们在两个细粒度零样本学习数据集 CUB 和 FLOWERS 上评估我们的方法。我们发现，在广义零样本分类任务上，CLAREL 在两个数据集上均持续优于现有方法。
引用
@article{arxiv.1906.11892,
title = {CLAREL: Classification via retrieval loss for zero-shot learning},
author = {Boris N. Oreshkin and Negar Rostamzadeh and Pedro O. Pinheiro and Christopher Pal},
journal= {arXiv preprint arXiv:1906.11892},
year = {2020}
}