基于潜在语义部件学习的域适应、零样本与少样本识别分类器
计算机视觉与模式识别
2019-08-20 v3
摘要
在计算机视觉应用中，如域适应（DA）、少样本学习（FSL）和零样本学习（ZSL），我们会遇到新的对象和环境，其样本不足以从头训练“模型”，因此需要能够将已在给定训练环境中训练好的模型适配到新场景的方法。我们提出了一种新颖的视觉属性编码方法，将每幅图像编码为由原型部件类型概率组成的低维概率向量。这些原型被学习为对所有训练数据具有代表性。在测试时，我们将此编码用作分类器的输入。在测试时我们冻结编码器，仅针对 FSL 中有限的标注标签、ZSL 中新的语义属性来学习/适配分类器组件。我们在基准数据集上进行了大量实验。我们的方法优于为特定场景（ZSL、FSL、DA）训练的当前最优方法。
引用
@article{arxiv.1901.09079,
title = {Learning Classifiers for Domain Adaptation, Zero and Few-Shot Recognition Based on Learning Latent Semantic Parts},
author = {Pengkai Zhu and Hanxiao Wang and Venkatesh Saligrama},
journal= {arXiv preprint arXiv:1901.09079},
year = {2019}
}
备注
9 pages, 3 figures, 3 tables. Accepted at ICML 2019