模糊逻辑视觉网络（FLVN）：一种用于视觉特征匹配的神经符号方法
计算机视觉与模式识别
2023-08-01 v1 机器学习
计算机科学中的逻辑
摘要
神经符号集成旨在结合符号知识表示的强大能力与深度神经网络的学习能力。特别地，逻辑张量网络（Logic Tensor Networks, LTNs）通过将一阶逻辑语言具身化为实张量之间的可微运算，允许以逻辑公理的形式融入背景知识。然而，极少有研究探讨该方法在改进零样本学习（ZSL）分类方面的潜在益处。在本研究中，我们提出模糊逻辑视觉网络（Fuzzy Logic Visual Network, FLVN），其在神经符号 LTN 框架内形式化了学习视觉-语义嵌入空间的任务。FLVN 以类层次结构（类与宏类）以及鲁棒的高层归纳偏置的形式引入先验知识。后者例如允许处理类级属性中的例外情况，并强制同一类图像之间的相似性，从而防止对可见类的过早过拟合并提升整体性能。FLVN 在广义零样本学习（Generalized ZSL, GZSL）基准 AWA2 与 CUB 上达到了 SOTA 性能，分别提升了 1.3% 与 3%。总体而言，其以更低的计算开销取得了与近期 ZSL 方法相竞争的性能。FLVN 可在 https://gitlab.com/grains2/flvn 获取。
引用
@article{arxiv.2307.16019,
title = {Fuzzy Logic Visual Network (FLVN): A neuro-symbolic approach for visual features matching},
author = {Francesco Manigrasso and Lia Morra and Fabrizio Lamberti},
journal= {arXiv preprint arXiv:2307.16019},
year = {2023}
}
备注
Accepted for publication at ICIAP 2023