基于想象的样本构造用于零样本学习
计算机视觉与模式识别
2018-10-30 v1
摘要
零样本学习（ZSL）旨在识别无标注训练样本的未见类，有效解决了图像检索中标注数据缺失的问题。当前 ZSL 识别未见类图像主要有两类流行方法：概率推理与特征投影。与这些现有方法不同，我们提出一种新方法：样本构造来处理 ZSL 问题。我们提出的方法称为基于想象的样本构造（IBSC），通过模拟人类联想认知过程，在特征空间中创新性地构造目标类的图像样本。基于属性与特征之间的关联，目标样本由不同样本的各个部分构造而成。此外，采用相异度表示来筛选高质量构造样本，并将其作为标注数据训练针对那些未见类的特定分类器。由此，零样本学习被转化为一个监督学习问题。据我们所知，这是首个为 ZSL 构造样本的工作，因此我们的工作被视为未来样本构造方法的基线。在四个基准数据集上的实验表明了我们所提方法的优越性。
引用
@article{arxiv.1810.12145,
title = {Imagination Based Sample Construction for Zero-Shot Learning},
author = {Gang Yang and Jinlu Liu and Xirong Li},
journal= {arXiv preprint arXiv:1810.12145},
year = {2018}
}
备注
Accepted as a short paper in ACM SIGIR 2018