探索用于大规模零样本图像分类的层次图表示
计算机视觉与模式识别
2022-07-20 v2 人工智能
摘要
本文所解决的核心问题是如何将未见类别的视觉识别（即零样本学习）扩展到如 ImageNet-21K 基准中的数万类别。在此规模下，尤其考虑到 ImageNet-21K 包含许多细粒度类别，学习具有足够判别力以识别未见类别并区分其与已见类别的优质视觉语义表示至关重要。我们提出一种用于基于置信度分类方法的\emph{层次}图式知识\emph{表示}框架，称为 HGR-Net。实验结果表明，HGR-Net 能够利用层次概念知识掌握类别继承关系。我们的方法显著优于所有现有技术，在 ImageNet-21K 基准上相较次优方法将性能提升了 7%。我们展示了 HGR-Net 在少样本场景下具有学习高效性。我们还在 ImageNet-21K-P、2-hops 和 3-hops 等较小数据集上分析了我们的方法，证明了其泛化能力。我们的基准与代码发布于 https://kaiyi.me/p/hgrnet.html。
引用
@article{arxiv.2203.01386,
title = {Exploring Hierarchical Graph Representation for Large-Scale Zero-Shot Image Classification},
author = {Kai Yi and Xiaoqian Shen and Yunhao Gou and Mohamed Elhoseiny},
journal= {arXiv preprint arXiv:2203.01386},
year = {2022}
}
备注
ECCV 2022, camera-ready version