为零样本分类生成视觉表示
计算机视觉与模式识别
2017-12-12 v3 人工智能
机器学习
摘要
本文解决了学习图像分类器的任务，其中某些类别仅由语义描述（例如视觉属性）定义，而其他类别也由示例图像定义。该任务常被称为零样本分类任务（ZSC）。大多数先前方法依赖于学习一个公共嵌入空间，以比较未知类别的视觉特征与语义描述。本文认为这些方法存在局限：i) 无法使用高效的判别分类器；ii) 无法高效处理包含已见与未见类别的分类任务（广义零样本分类或 GZSC）。相反，本文建议通过以下方式解决 ZSC 和 GZSC：i) 使用已见类别学习条件生成器；ii) 为无示例的类别生成人工训练样本。于是 ZSC 被转化为标准监督学习问题。使用 4 种生成模型和 5 个数据集的实验验证了该方法，在 ZSC 和 GZSC 上均给出了最先进的成果。
引用
@article{arxiv.1708.06975,
title = {Generating Visual Representations for Zero-Shot Classification},
author = {Maxime Bucher and Stéphane Herbin and Frédéric Jurie},
journal= {arXiv preprint arXiv:1708.06975},
year = {2017}
}