用于广义零样本识别的数据分布蒸馏生成模型
计算机视觉与模式识别
2024-02-20 v1 人工智能
摘要
在零样本学习 (ZSL) 领域，我们解决了广义零样本学习 (GZSL) 模型中的偏差问题，这些模型倾向于_seen_数据。为了抵消这一点，我们引入了一种名为 DGZSL 的端到端生成式 GZSL 框架。该框架将_seen_数据和合成_unseen_数据分别视为分布内数据和分布外数据，以实现更平衡的模型。DGZSL 包含两个核心模块：分布内双空间蒸馏 (IDSD) 和分布外批量蒸馏 (ODBD)。IDSD 对齐嵌入空间和标签空间中的教师 - 学生结果，增强学习连贯性。ODBD 为每个批量样本引入低维分布外表示，捕捉_seen_和_unseen_类别之间的共享结构。我们的方法在既定的 GZSL 基准测试中展示了其有效性，并可无缝集成到主流生成框架中。大量实验一致表明，DGZSL 提升了现有生成式 GZSL 方法的性能，突显了其改进零样本学习实践的潜力。代码地址：https://github.com/PJBQ/D3GZSL.git
引用
@article{arxiv.2402.11424,
title = {Data Distribution Distilled Generative Model for Generalized Zero-Shot Recognition},
author = {Yijie Wang and Mingjian Hong and Luwen Huangfu and Sheng Huang},
journal= {arXiv preprint arXiv:2402.11424},
year = {2024}
}
备注
accepted as AAAI 2024 oral paper