面向零样本学习的分类器与样本合成
计算机视觉与模式识别
2019-07-19 v2
摘要
零样本学习（ZSL）使得在无需见到任务样本的情况下解决该任务成为可能。本文提出两个 ZSL 框架，它们学习为新颖的未见类合成参数。首先，我们提出将 ZSL 问题转化为从由对象类构成的图学习流形嵌入，从而得到一种灵活的、为未见类合成“分类器”的方法。接着，我们定义一项为未见类合成“样本”的辅助任务，可用作任意现有 ZSL 方法的自动去噪机制，或本身作为一个有效的 ZSL 模型。在五个视觉识别基准数据集上，我们展示了所提框架在常规与广义 ZSL 多种设定下的优越性能。最后，我们通过一系列实证分析提供有价值的见解，其中包括在全 ImageNet 基准上语义表示的比较，以及广义 ZSL 中所用度量的比较。我们的代码与数据公开于 https://github.com/pujols/Zero-shot-learning-journal。
引用
@article{arxiv.1812.06423,
title = {Classifier and Exemplar Synthesis for Zero-Shot Learning},
author = {Soravit Changpinyo and Wei-Lun Chao and Boqing Gong and Fei Sha},
journal= {arXiv preprint arXiv:1812.06423},
year = {2019}
}
备注
Extended version of arXiv:1603.00550 (CVPR 2016) and arXiv:1605.08151 (ICCV 2017); Accepted for publication in International Journal of Computer Vision (IJCV)