受创造力启发的零样本学习
计算机视觉与模式识别
2019-12-04 v6
摘要
零样本学习（ZSL）旨在利用类级描述对未见类别进行识别，且训练时无任何该类别的样本。为提升零样本学习的判别能力，我们借鉴人类创造新颖艺术作品的心理学机制，对未见类别的视觉学习过程进行建模。我们注意到零样本学习关乎识别未见事物，而创造力关乎创造令人喜爱的未见事物，从而将二者联系起来。我们引入一种受创造力文献启发的训练信号，该信号利用幻觉化的类描述探索未见空间，并鼓励其视觉特征生成在谨慎偏离已见类别的同时，允许知识从已见类别向未见类别迁移。实验上，在我们所关注的基于含噪文本且具挑战性的广义零样本学习任务上，使用 CUB 和 NABirds 数据集，我们在现有最大基准上取得了比当前最优（SOTA）方法稳定高出几个百分点的改进。我们还在三个额外数据集（AwA2、aPY 和 SUN）上展示了我们的方法在基于属性的零样本学习中的优势。代码已公开。
引用
@article{arxiv.1904.01109,
title = {Creativity Inspired Zero-Shot Learning},
author = {Mohamed Elhoseiny and Mohamed Elfeki},
journal= {arXiv preprint arXiv:1904.01109},
year = {2019}
}
备注
This paper was published at the International Conference on Computer Vision 2019, Seoul, South Korea, http://openaccess.thecvf.com/content_ICCV_2019/papers/Elhoseiny_Creativity_Inspired_Zero-Shot_Learning_ICCV_2019_paper.pdf