面向广义零样本学习的双渐进原型网络
计算机视觉与模式识别
2021-11-23 v2
摘要
广义零样本学习（GZSL）旨在利用辅助语义信息（例如类别属性）识别新类别。在本文中，我们通过逐步提高视觉表示的跨域可迁移性和类别可辨别性，来处理域偏移这一关键问题，即已见类别与未见类别之间的混淆。我们的方法名为双渐进原型网络（DPPN），它构建了两种类型的原型，分别记录属性和类别的原型视觉模式。借助属性原型，DPPN交替搜索与属性相关的局部区域并更新相应的属性原型，以逐步探索精确的属性-区域对应关系。这使得DPPN能够生成具有精确属性定位能力的视觉表示，从而有利于语义-视觉对齐和表示的可迁移性。此外，随着渐进式属性定位，DPPN进一步将类别原型投影到多个空间中，以逐步推开不同类别的视觉表示，从而增强类别判别性。属性和类别原型在一个统一的框架中协同学习，这使得DPPN的视觉表示既具有可迁移性又具有区分性。在四个基准数据集上的实验证明，DPPN有效缓解了GZSL中的域偏移问题。
引用
@article{arxiv.2111.02073,
title = {Dual Progressive Prototype Network for Generalized Zero-Shot Learning},
author = {Chaoqun Wang and Shaobo Min and Xuejin Chen and Xiaoyan Sun and Houqiang Li},
journal= {arXiv preprint arXiv:2111.02073},
year = {2021}
}
备注
Accepted by NeurIPS 2021