面向广义零样本学习的等距传播网络
计算机视觉与模式识别
2021-02-04 v1 机器学习
摘要
零样本学习（ZSL）旨在仅基于描述某个未见类的少量属性、且无法访问任何训练样本的情况下，对该未见类的图像进行分类。一种流行策略是基于可见类及其数据，学习语义属性空间与图像视觉空间之间的映射。因此，未见类图像可理想地映射至其对应类属性。关键挑战在于如何对齐两个空间中的表示。对于大多数 ZSL 设定，每个可见/未见类的属性仅由一个向量表示，而可见类数据提供了远多信息。因此，来自语义与视觉空间的不平衡监督会使所学映射容易对可见类过拟合。为解决此问题，我们提出等距传播网络（IPN），其学习增强各空间内类间关系并对齐两空间中的类依赖。具体而言，IPN 学习在每空间内于自动生成的图上传播类表示。与仅对齐所得静态表示不同，我们通过最小化两图每步边权之间的一致性损失，正则化两个动态传播过程为等距的。IPN 在三个流行 ZSL 基准上取得最先进性能。为评估 IPN 的泛化能力，我们进一步构建了两个具有更多样未见类的更大基准，并展示了 IPN 在其上的优势。
引用
@article{arxiv.2102.02038,
title = {Isometric Propagation Network for Generalized Zero-shot Learning},
author = {Lu Liu and Tianyi Zhou and Guodong Long and Jing Jiang and Xuanyi Dong and Chengqi Zhang},
journal= {arXiv preprint arXiv:2102.02038},
year = {2021}
}
备注
Accepted by ICLR 2021