生成模型驱动的结构对齐判别嵌入用于直推式零样本学习
计算机视觉与模式识别
2020-05-12 v1
摘要
零样本学习（ZSL）是一种迁移学习技术，旨在将知识从已见类迁移到未见类。这种知识迁移之所以可能，是因为已见类与未见类之间存在共同的底层语义空间。多数现有方法利用带标签的已见类数据学习一个投影函数，将视觉数据映射到语义数据。本工作中，我们提出一种浅层但高效的基于神经网络的模型来学习此类投影函数，该模型在潜空间中对齐视觉与语义数据，同时使潜空间嵌入具有判别性。由于上述投影函数使用已见类数据学习，存在所谓的投影域偏移。我们提出一种直推式方法来减弱域偏移的影响，其中利用来自未见类的无标签视觉数据生成相应的未见类视觉样本语义特征。这些语义特征最初由条件变分自编码器生成，随后与已见类数据一起用于改进投影函数。我们在 ZSL 与广义 ZSL 的归纳式与直推式设定下进行了实验，并在标准基准数据集 AWA1、AWA2、CUB、SUN、FLO 与 APY 上展示了优越性能。我们还展示了我们的模型在 ZSL 背景下不同数据集上极少标签数据情形中的有效性。
引用
@article{arxiv.2005.04492,
title = {Generative Model-driven Structure Aligning Discriminative Embeddings for Transductive Zero-shot Learning},
author = {Omkar Gune and Mainak Pal and Preeti Mukherjee and Biplab Banerjee and Subhasis Chaudhuri},
journal= {arXiv preprint arXiv:2005.04492},
year = {2020}
}