互补属性：零样本学习的新线索
计算机视觉与模式识别
2019-07-23 v2
摘要
零样本学习（ZSL）旨在通过共享属性，利用不相交的已见对象来识别未见对象。ZSL 的泛化性能由属性决定，属性将语义信息从已见类转移到未见类。为了充分利用属性转移的知识，在本文中，我们引入了互补属性（CA）的概念，作为对原始属性的补充，以增强语义表示能力。理论分析表明，互补属性可以改善原始 ZSL 模型的 PAC 式泛化界限。由于所提出的 CA 专注于增强语义表示，因此 CA 可以很容易地应用于任何现有的基于属性的 ZSL 方法，包括基于标签嵌入策略的 ZSL（LEZSL）和基于概率预测策略的 ZSL（PPZSL）。在 PPZSL 中，存在一个强假设，即所有属性彼此独立，这在实践中可以说是不切实际的。为了解决这个问题，提出了一种新的排名聚合框架来规避该假设。在五个 ZSL 基准数据集和大规模 ImageNet 数据集上的大量实验表明，所提出的互补属性和排名聚合能够显著且鲁棒地改进现有的 ZSL 方法，并取得 SOTA 性能。
引用
@article{arxiv.1804.06505,
title = {Complementary Attributes: A New Clue to Zero-Shot Learning},
author = {Xiaofeng Xu and Ivor W. Tsang and Chuancai Liu},
journal= {arXiv preprint arXiv:1804.06505},
year = {2019}
}
备注
Accepted by IEEE TRANSACTIONS ON CYBERNETICS