用于零样本识别的域不变投影学习
计算机视觉与模式识别
2018-10-22 v1 机器学习
摘要
零样本学习（ZSL）旨在无任何训练样本的情况下识别未见对象类，可视为从可见类到未见类的迁移学习形式。这通过学习特征空间与语义空间（如属性空间）之间的投影得以实现。因此ZSL的关键在于学习一个对可见类与未见类之间通常较大的域差距具有鲁棒性的投影函数。本文提出一种称为域不变投影学习（DIPL）的新型ZSL模型。我们的模型有两个新颖组件：（1）对可见/未见类数据引入域不变特征自重构任务，得到将ZSL转化为极小-极小优化问题的简单线性公式。该问题的求解并非平凡，我们提出了一种新颖迭代算法作为求解器，并给出严格的算法理论分析。（2）为通过所学投影进一步对齐两域，通过在语义空间中形成超类来探索可见类与未见类间的共享语义结构。大量实验表明我们的模型以显著优势优于最先进（SOTA）替代方法。
引用
@article{arxiv.1810.08326,
title = {Domain-Invariant Projection Learning for Zero-Shot Recognition},
author = {An Zhao and Mingyu Ding and Jiechao Guan and Zhiwu Lu and Tao Xiang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:1810.08326},
year = {2018}
}
备注
Accepted to NIPS 2018