从经典到广义零样本学习：一种简单的自适应过程
机器学习
2019-01-16 v1 机器学习
摘要
零样本学习（ZSL）关注对先前未见类别的识别。它依赖于额外的语义知识，可借助已见类别的训练样本学习其映射关系。经典 ZSL 仅考虑在未见类别上的识别性能，而广义零样本学习（GZSL）旨在最大化已见与未见类别上的综合性能。本文提出一种用于 GZSL 设定下训练与评估的新过程；该过程通过对已见类样本施加惩罚来弥合未见类与已见类样本间的性能差距，并能够选取适配 GZSL 任务的超参数。它可应用于任何现有 ZSL 方法，并带来显著的性能提升：实验评估表明，在 CUB 和 AwA2 数据集上，八种前沿方法的平均 GZSL 性能分别从 28.5 提升至 42.2、从 28.2 提升至 57.1。
引用
@article{arxiv.1809.10120,
title = {From Classical to Generalized Zero-Shot Learning: a Simple Adaptation Process},
author = {Yannick Le Cacheux and Hervé Le Borgne and Michel Crucianu},
journal= {arXiv preprint arXiv:1809.10120},
year = {2019}
}