DiRaC-I：为零样本学习识别多样且稀有的训练类
计算机视觉与模式识别
2023-01-03 v1
摘要
受主动学习等策略启发，直观上从数据集中智能选择训练类用于零样本学习（ZSL）可提升现有ZSL方法的性能。本工作中，我们提出一个名为多样且稀有类识别器（DiRaC-I）的框架，该框架在给定基于属性的数据集时，能智能地产生最适合训练ZSL模型的“可见类”。DiRaC-I有两个主要目标——构建多样化的种子类集合，随后由这些种子类初始化一个视觉-语义挖掘算法，充分获取在对象域中同时捕捉多样性与稀有性的类。这些类随后可用作“可见类”来训练用于图像分类的ZSL模型。我们采用一种真实场景，即训练期间DiRaC-I与ZSL模型均无法获得新颖对象类，并在两个零样本图像分类基准数据集——CUB和SUN上进行了大量实验。我们的结果表明DiRaC-I有助于ZSL模型实现显著的分类准确率提升。
引用
@article{arxiv.2301.00236,
title = {DiRaC-I: Identifying Diverse and Rare Training Classes for Zero-Shot Learning},
author = {Sandipan Sarma and Arijit Sur},
journal= {arXiv preprint arXiv:2301.00236},
year = {2023}
}
备注
22 pages, 10 Figures