用于零样本识别的层次化原型学习
计算机视觉与模式识别
2019-12-11 v2
摘要
零样本学习（Zero-Shot Learning, ZSL）近年来受到广泛关注并取得成功，尤其在细粒度物体识别、检索和图像描述领域。ZSL的关键是通过辅助语义原型（如词向量或属性向量）将知识从可见类迁移至不可见类。然而，以往工作中学得的流行投影函数因语义原型中包含非视觉成分而泛化不佳。此外，最先进的ZSL方法较少考虑所提供的原型与所采集图像的不完整性。本文提出一种层次化原型学习形式体系，为零样本识别提供系统性解决方案（称为HPL）。具体而言，HPL能在直推设定下分别学习视觉原型，从而在可见与不可见类域上获得判别性。为缩小两域鸿沟，我们进一步在视觉与语义空间中学习可解释的超原型。同时，通过最大化结构一致性进一步桥接两空间。这不仅促进了视觉原型的代表性，也缓解了语义原型的信息损失。我们随后精心设计并呈现了大量实验，表明在各种设定下HPL相较现有替代方法获得了显著更优的效率与效果。
引用
@article{arxiv.1910.11671,
title = {Hierarchical Prototype Learning for Zero-Shot Recognition},
author = {Xingxing Zhang and Shupeng Gui and Zhenfeng Zhu and Yao Zhao and Ji Liu},
journal= {arXiv preprint arXiv:1910.11671},
year = {2019}
}
备注
This manuscript has been accepted by IEEE Transactions on Multimedia