基于熵的不确定性校准用于广义零样本学习
计算机视觉与模式识别
2021-01-12 v1
摘要
与以识别未见类为主要或唯一目标的传统零样本学习（ZSL）相比，广义零样本学习（GZSL）的目标是识别可见类与未见类。大多数 GZSL 方法通常学习从语义信息合成未见类的视觉表示。然而，这类模型易于过拟合可见类，导致可见类与未见类生成特征之间存在分布重叠。重叠区域充满不确定性，因为模型难以判断来自重叠区域内的测试用例是可见还是未见。此外，这些生成方法在训练样本稀疏的场景下表现不佳。模型难以学习高维视觉特征的分布，因此无法捕捉最具判别性的类间特征。为解决这些问题，本文提出一种新框架，利用带三元组损失的双变分自编码器学习判别性潜在特征，并应用基于熵的校准来最小化可见类与未见类之间重叠区域的不确定性。具体而言，带三元组损失的双生成模型合成可从视觉或语义空间映射的类别间判别性潜在特征。为校准可见类的不确定性，我们计算来自通用分类器的 softmax 概率分布的熵。通过该方法，在可见类内识别可见样本相对容易，且可见样本在重叠区域被误分类为未见类的风险更小。在六个基准数据集上的大量实验表明，所提方法优于最先进的方案。
引用
@article{arxiv.2101.03292,
title = {Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning},
author = {Zhi Chen and Zi Huang and Jingjing Li and Zheng Zhang},
journal= {arXiv preprint arXiv:2101.03292},
year = {2021}
}