基于硬度采样的自训练直推式零样本学习
计算机视觉与模式识别
2021-06-02 v1
摘要
直推式零样本学习(T-ZSL)能够缓解现有ZSL工作中的域偏移问题,近来受到广泛关注。然而,T-ZSL中一个开放问题:如何有效利用未见类样本进行训练,仍然悬而未决。针对该问题,我们首先基于许多ZSL方法中发现的不均匀预测现象,实证分析了不同硬度程度的未见类样本在训练过程中的作用,得出三点观察。然后,我们根据这些观察提出两种硬度采样方法,用于从给定的未见类数据集中选取多样且困难的样本子集。第一种基于模型预测的类级频率识别样本,第二种通过由所探索的先验估计算法近似估计的类先验对类频率进行归一化来改进前者。最后,我们设计了一种用于T-ZSL的带硬度采样的自训练新框架,称为STHS,其中可无缝嵌入任意归纳式ZSL方法,并利用硬度采样方法选出的未见类样本进行迭代训练。我们将两种典型ZSL方法引入STHS框架,大量实验表明所衍生的T-ZSL方法在三个公开基准上优于许多最先进的方法。此外,我们注意到在一些现有直推式广义零样本学习(T-GZSL)方法中未见类数据集被单独用于训练,这对于GZSL任务并不严格。因此,我们建议一种更严格的T-GZSL数据设置,并通过将所提出的STHS框架引入T-GZSL在该设置上建立了具有竞争力的基线。
引用
@article{arxiv.2106.00264,
title = {Hardness Sampling for Self-Training Based Transductive Zero-Shot Learning},
author = {Liu Bo and Qiulei Dong and Zhanyi Hu},
journal= {arXiv preprint arXiv:2106.00264},
year = {2021}
}
备注
11 pages, 4 figures