在视觉与语义联合空间中通过域分类的广义零样本学习
计算机视觉与模式识别
2019-08-15 v1
摘要
广义零样本学习(GZSL)是一种分类问题,其学习阶段依赖于一组已见视觉类别,而推理阶段旨在识别已见视觉类别及一组新的未见视觉类别。关键的是,学习和推理阶段均可利用对已见和未见类别可用的语义表示。大多数 SOTA 的 GZSL 方法依赖于潜在视觉空间与语义空间之间的映射,而不考虑特定样本是否属于已见或未见类别集合。本文提出一种新颖的 GZSL 方法,学习结合视觉与语义信息的联合潜在表示。这减轻了对两个空间之间映射学习的需求。我们的方法还引入了域分类器,估计样本属于已见还是未见类。随后我们的分类器将该类判别器与此域分类器结合,以减少 GZSL 方法对已见类固有的偏向。实验表明,在公开 GZSL 基准数据集上,我们的方法在调和均值、已见与未见曲线下面积以及未见分类准确率方面均取得了 SOTA 结果。我们的代码将在本文被接收后公开。
引用
@article{arxiv.1908.04930,
title = {Generalised Zero-Shot Learning with Domain Classification in a Joint Semantic and Visual Space},
author = {Rafael Felix and Ben Harwood and Michele Sasdelli and Gustavo Carneiro},
journal= {arXiv preprint arXiv:1908.04930},
year = {2019}
}