基于联合概念匹配的零样本识别学习
计算机视觉与模式识别
2019-07-04 v3
摘要
零样本学习 (ZSL) 旨在仅通过训练可见类来识别不可见类, 在机器学习中日益受到极大关注, 并取得了一些成功。大多数现有的 ZSL 方法通常学习视觉特征空间与语义空间之间的投影映射, 但主要受困于投影域偏移问题, 该问题主要源于可见类与不可见类之间巨大的域差异。在本文中, 我们提出了一种新颖的归纳式 ZSL 模型, 该模型基于将视觉和语义特征投影到一个具有类特定知识的公共独立潜在空间中, 并通过这样一个独立的公共空间重建视觉和语义特征, 以缩小域偏移差距。我们表明, 所有这些对潜在空间、类特定知识、特征重建及其组合的约束, 都增强了对投影域偏移问题的鲁棒性, 并提高了对不可见目标类的泛化能力。在四个基准数据集上的综合实验表明, 我们提出的方法优于 state-of-the-art 算法。
引用
@article{arxiv.1906.05879,
title = {Joint Concept Matching based Learning for Zero-Shot Recognition},
author = {Wen Tang and Ashkan Panahi and Hamid Krim},
journal= {arXiv preprint arXiv:1906.05879},
year = {2019}
}