基于过完备分布的广义零样本学习
计算机视觉与模式识别
2020-04-03 v1 机器学习
摘要
一个训练良好且泛化的深度神经网络(DNN)应对可见与不可见类均具鲁棒性。然而，大多数现有有监督DNN算法在训练集中未出现的类上性能会下降。为学习在零样本学习(ZSL)设定下表现良好的判别分类器，我们提出利用可见与不可见类的条件变分自编码器(CVAE)生成过完备分布(OCD)。为增强类间可分离性并减小类内散度，我们提出在生成的OCD上采用在线批量三元组损失(OBTL)与中心损失(CL)。该框架的有效性在三个公开基准数据库SUN、CUB和AWA2上通过零样本学习与广义零样本学习协议进行了评估。结果表明，生成过完备分布并迫使分类器学习从重叠分布到非重叠分布的变换函数，可提升在可见与不可见类上的性能。
引用
@article{arxiv.2004.00666,
title = {Generalized Zero-Shot Learning Via Over-Complete Distribution},
author = {Rohit Keshari and Richa Singh and Mayank Vatsa},
journal= {arXiv preprint arXiv:2004.00666},
year = {2020}
}
备注
9 pages, 5 figures, Accepted in CVPR 2020