面向零样本学习的全局语义一致性
计算机视觉与模式识别
2018-06-25 v1
摘要
在图像识别中，存在许多训练样本无法覆盖所有目标类别的情况。零样本学习（ZSL）利用类别语义信息对训练集中无对应样本的无见类别样本进行分类。本文提出一种端到端框架，称为全局语义一致性网络（简称 GSC-Net），其充分利用见类与无见类的语义信息，以支持有效的零样本学习。我们还采用软标签嵌入损失进一步挖掘类别间的语义关系。为使 GSC-Net 适应更实际的广义零样本学习（GZSL）设定，我们引入一种参数化新颖性检测机制。我们的方法在三个视觉属性数据集上的 ZSL 与 GZSL 任务均取得最先进（state-of-the-art）性能，验证了所提框架的有效性与优势。
引用
@article{arxiv.1806.08503,
title = {Global Semantic Consistency for Zero-Shot Learning},
author = {Fan Wu and Kai Tian and Jihong Guan and Shuigeng Zhou},
journal= {arXiv preprint arXiv:1806.08503},
year = {2018}
}