面向类不平衡数据集上广义零样本学习的高效高斯过程模型
计算机视觉与模式识别
2022-10-13 v1
摘要
零样本学习（ZSL）模型旨在对训练过程中未见的物体类别进行分类。然而，尽管若干 ZSL 数据集中存在类不平衡问题，其却鲜被讨论。本文中，我们提出一种神经网络模型，其学习潜特征嵌入以及一个预测未见类别潜特征原型的高斯过程（GP）回归模型。随后为 ZSL 与广义 ZSL 任务构建了一个校准分类器。我们的神经网络模型通过一种简单训练策略高效训练，减轻了类不平衡训练数据的影响。该模型平均训练时间为 5 分钟，并在 AWA2、AWA1 与 APY 等不平衡 ZSL 基准数据集上取得最先进（SOTA）性能，同时在 SUN 与 CUB 数据集上具有相对良好的表现。
引用
@article{arxiv.2210.06120,
title = {Efficient Gaussian Process Model on Class-Imbalanced Datasets for Generalized Zero-Shot Learning},
author = {Changkun Ye and Nick Barnes and Lars Petersson and Russell Tsuchida},
journal= {arXiv preprint arXiv:2210.06120},
year = {2022}
}
备注
Paper Accepted in ICPR 2022