利用语义属性挖掘直推式零样本学习
计算机视觉与模式识别
2023-03-20 v1 人工智能
摘要
零样本学习（ZSL）旨在通过学习自可见类别获得的视觉特征与语义属性之间的关系来识别不可见类别。一种称为直推式零样本学习的新范式在训练时进一步利用无标签的不可见数据，并已取得令人印象深刻的成果。这些方法总是通过生成对抗网络从属性合成不可见特征，以减轻对可见类别的偏置。然而，它们忽视了无标签不可见数据中的语义信息，因而无法生成高保真且属性一致的不可见特征。为解决此问题，我们提出一种新颖的直推式ZSL方法，该方法生成不可见数据的语义属性并将其施加于生成过程。具体而言，我们首先训练一个从视觉特征到语义属性的属性解码器。然后，从该属性解码器获取无标签数据的伪属性，并将其整合进生成模型，这有助于捕捉不可见类别内部的细微差异，从而合成更具判别力的特征。在五个标准基准上的实验表明，我们的方法在零样本学习中取得了最先进的成果。
引用
@article{arxiv.2303.09849,
title = {Exploiting Semantic Attributes for Transductive Zero-Shot Learning},
author = {Zhengbo Wang and Jian Liang and Zilei Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2303.09849},
year = {2023}
}
备注
ICASSP 2023