FREE：面向广义零样本学习的特征精炼
计算机视觉与模式识别
2021-07-30 v1 人工智能
摘要
广义零样本学习 (GZSL) 已取得显著进展，许多工作致力于克服视觉-语义域差距和已见-未见偏置问题。然而，大多数现有方法直接使用仅在 ImageNet 上训练的特征提取模型，忽略了 ImageNet 与 GZSL 基准之间的跨数据集偏置。这种偏置不可避免地导致 GZSL 任务的视觉特征质量较差，可能限制对已见和未见类的识别性能。本文中，我们提出一种简单而有效的 GZSL 方法，称为面向广义零样本学习的特征精炼 (FREE)，以解决上述问题。FREE 采用特征精炼 (FR) 模块，将语义视觉映射整合到统一生成模型中，以精炼已见和未见类样本的视觉特征。此外，我们提出自适应边界中心损失 (SAMC-loss)，其与语义循环一致性损失协作以引导 FR 学习类别相关和语义相关的表示，并将 FR 中的特征拼接以提取完全精炼的特征。在五个基准数据集上的大量实验证明了 FREE 相对于其基线和当前最先进方法的显著性能提升。我们的代码可在 https://github.com/shiming-chen/FREE 获取。
引用
@article{arxiv.2107.13807,
title = {FREE: Feature Refinement for Generalized Zero-Shot Learning},
author = {Shiming Chen and Wenjie Wang and Beihao Xia and Qinmu Peng and Xinge You and Feng Zheng and Ling Shao},
journal= {arXiv preprint arXiv:2107.13807},
year = {2021}
}
备注
ICCV 2021