面向细粒度分类的集成式广义零样本学习
计算机视觉与模式识别
2021-08-17 v3
摘要
嵌入学习（EL）与特征合成（FS）是细粒度广义零样本学习（GZSL）方法中两类常见的方法。在不具备局部特征的情况下，使用全局特征的 EL 或 FS 无法区分细微细节。另一方面，利用局部特征的 EL 或 FS 方法要么忽略直接的属性引导，要么忽略全局信息。因此，这两类方法均表现不佳。本文中，我们提出以集成方式探索全局与直接属性监督的局部视觉特征，用于细粒度 GZSL 的 EL 与 FS 两类方法。所提出的集成网络包含一个 EL 子网络和一个 FS 子网络，因此该集成网络可通过两种方式进行测试。我们提出了一种新颖的两步密集注意力机制来发现属性引导的局部视觉特征。我们引入了子网络间新的互学习以利用互为有益的信息进行优化。此外，我们提出基于互信息计算源-目标类相似度，并对目标类进行迁移学习，以在测试时减少对源域的偏置。我们证明了所提方法在基准数据集上优于现有同期方法。
引用
@article{arxiv.2101.02141,
title = {Integrated Generalized Zero-Shot Learning for Fine-Grained Classification},
author = {Tasfia Shermin and Shyh Wei Teng and Ferdous Sohel and Manzur Murshed and Guojun Lu},
journal= {arXiv preprint arXiv:2101.02141},
year = {2021}
}
备注
Accepted in Pattern Recognition