从锚点生成到分布对齐：为零样本识别学习判别性嵌入空间
计算机视觉与模式识别
2020-02-11 v1
摘要
在零样本学习（ZSL）中，待分类样本通常被投影到属性等侧信息模板上。然而，模板的不规则分布使得分类结果混淆。为缓解该问题，我们提出一种称为判别性锚点生成与分布对齐模型（DAGDA）的新框架。首先，为纠正原始模板的分布，提出一种基于扩散的图卷积网络，其能显式建模类与侧信息之间的交互，以生成判别性锚点。其次，为进一步在锚点空间将样本与相应锚点对齐（旨在以细粒度方式精炼分布），我们引入锚点空间中的语义关系正则化。遵循归纳式学习的方式，我们的方法在多个基准数据集上，在常规及广义 ZSL 设定下均优于一些现有最先进方法。同时，消融实验有力证明了各组件的有效性。
引用
@article{arxiv.2002.03554,
title = {From Anchor Generation to Distribution Alignment: Learning a Discriminative Embedding Space for Zero-Shot Recognition},
author = {Fuzhen Li and Zhenfeng Zhu and Xingxing Zhang and Jian Cheng and Yao Zhao},
journal= {arXiv preprint arXiv:2002.03554},
year = {2020}
}
备注
8 pages, 6 figures