用于零样本学习的类标签自编码器
计算机视觉与模式识别
2018-01-26 v1
摘要
现有的零样本学习（ZSL）方法通常在训练可见类或测试不可见类中学习特征空间与语义嵌入空间（文本或属性空间）之间的投影函数。然而，该投影函数无法在特征空间与多语义嵌入空间之间使用，而多语义嵌入空间具有描述同一类不同语义信息的多样性特征。为处理此问题，我们提出一种基于学习类标签自编码器（CLA）的零样本学习新方法。CLA不仅能构建适应多语义嵌入空间的统一框架，还能构造编码器-解码器机制以约束特征空间与类标签空间之间的双向投影。此外，CLA可联合考虑特征类的关系与语义类的相关性以改进零样本分类。CLA解可同时提供不可见类标签以及不同类表示（特征或语义信息）之间的关系，这些表示能编码类的内在结构。大量实验表明，CLA在AwA、CUB、Dogs和ImNet-2四个基准数据集上优于当前最优方法。
引用
@article{arxiv.1801.08301,
title = {Class label autoencoder for zero-shot learning},
author = {Guangfeng Lin and Caixia Fan and Wanjun Chen and Yajun Chen and Fan Zhao},
journal= {arXiv preprint arXiv:1801.08301},
year = {2018}
}