基于交叉知识学习的生成式零样本学习方法与分类正则化
计算机视觉与模式识别
2021-01-26 v1
摘要
尽管零样本学习 (ZSL) 具备识别从未见过的新类别的推断能力，其始终面临跨模态与跨域两项基本挑战。为缓解这些问题，我们提出了一种基于生成网络的 ZSL 方法，配备所提出的 Cross Knowledge Learning (CKL) 方案与 Taxonomy Regularization (TR)。在我们的方法中，语义特征被作为输入，输出为由相应语义特征生成的合成视觉特征。CKL 使更相关的语义特征得以训练用于 ZSL 中的语义到视觉特征嵌入，而 Taxonomy Regularization (TR) 通过生成网络生成的更具泛化性的视觉特征，显著提升了与未见图像的重合度。在多个基准数据集（即 AwA1、AwA2、CUB、NAB 与 aPY）上的大量实验表明，我们的方法在 ZSL 图像分类与检索方面优于这些当前最优方法。
引用
@article{arxiv.2101.09892,
title = {Cross Knowledge-based Generative Zero-Shot Learning Approach with Taxonomy Regularization},
author = {Cheng Xie and Hongxin Xiang and Ting Zeng and Yun Yang and Beibei Yu and Qing Liu},
journal= {arXiv preprint arXiv:2101.09892},
year = {2021}
}