从广义零样本学习到利用类描述符的长尾学习
机器学习
2020-11-05 v4 计算机视觉与模式识别
机器学习
摘要
真实世界数据 predominantly 不平衡且呈长尾分布，但深度模型在频繁类存在时难以识别稀有类。通常类可附带文本描述等侧信息，但如何将其用于不平衡长尾数据学习尚不完全清楚。此类描述主要用于（广义）零样本学习(ZSL)，这表明带类描述的 ZSL 也可能有益于长尾分布。我们描述了 DRAGON，一种利用类描述符进行长尾学习的后期融合架构。它学习（1）在逐样本基础上纠正对头部类的偏置；（2）融合类描述信息以提升尾部类准确率。我们还引入了新基准 CUB-LT、SUN-LT、AWA-LT 用于带类描述的长尾学习，其构建基于现有属性学习数据集以及带类描述的 Imagenet-LT 版本。DRAGON 在新基准上优于最先进模型。它也是现有带类描述的 GFSL（GFSL-d）基准以及标准（仅视觉）长尾学习 ImageNet-LT、CIFAR-10、100 和 Places365 上的新 SOTA。
引用
@article{arxiv.2004.02235,
title = {From Generalized zero-shot learning to long-tail with class descriptors},
author = {Dvir Samuel and Yuval Atzmon and Gal Chechik},
journal= {arXiv preprint arXiv:2004.02235},
year = {2020}
}
备注
Accepted to WACV 2021