用于零样本识别的卷积原型学习
机器学习
2020-02-12 v3 计算机视觉与模式识别
摘要
零样本学习（ZSL）近年来受到越来越多的关注，尤其在细粒度物体识别、检索和图像描述领域。ZSL 的关键是通过辅助类别属性向量将知识从已见类迁移到未见类。然而，以往工作中普遍学习的投影函数无法很好地泛化，因为它们在样本层面假设了已见与未见域之间的分布一致性。此外，所提供的非视觉且唯一的类别属性会显著削弱语义空间中的识别性能。在本文中，我们提出一种简单而有效的卷积原型学习（CPL）框架用于零样本识别。通过在任务层面假设分布一致性，我们的 CPL 能够平滑迁移知识以识别未见样本。此外，在每个任务内部，判别性视觉原型通过基于距离的训练机制学习得到。因此，我们可在视觉空间而非语义空间中执行识别。随后我们精心设计并展示了一组广泛的实验，表明在各种设定下 CPL 相较于现有替代方案获得了更优的有效性。
引用
@article{arxiv.1910.09728,
title = {Convolutional Prototype Learning for Zero-Shot Recognition},
author = {Zhizhe Liu and Xingxing Zhang and Zhenfeng Zhu and Shuai Zheng and Yao Zhao and Jian Cheng},
journal= {arXiv preprint arXiv:1910.09728},
year = {2020}
}
备注
10 pages, 6 figures