从零样本学习到常规监督分类：未见视觉数据合成
计算机视觉与模式识别
2017-05-05 v1
摘要
稳健的物体识别系统通常依赖从大量真实图像中提取强大特征。然而，在许多现实应用中，为不断增长的新类别收集足够图像是不可行的。本文提出一种新的零样本学习（ZSL）框架，可在无需获取真实图像的情况下合成未见类别的视觉特征。利用提出的未见视觉数据合成（UVDS）算法，语义属性被有效用作中间线索，在训练阶段合成未见视觉特征。此后，ZSL识别被转化为常规监督问题，即合成的视觉特征可直接输入典型分类器如SVM。在四个基准数据集上，我们展示了使用合成未见数据的益处。大量实验结果表明，我们提出的方法显著改进了最先进的结果。
引用
@article{arxiv.1705.01782,
title = {From Zero-shot Learning to Conventional Supervised Classification: Unseen Visual Data Synthesis},
author = {Yang Long and Li Liu and Ling Shao and Fumin Shen and Guiguang Ding and Jungong Han},
journal= {arXiv preprint arXiv:1705.01782},
year = {2017}
}