学习可聚类视觉特征用于零样本识别
计算机视觉与模式识别
2020-10-15 v2
摘要
在零样本学习（ZSL）中，条件生成器被广泛用于生成额外的训练特征。这些特征随后可用于训练测试数据的分类器。然而，部分测试数据被视为“困难”样本，因为它们靠近决策边界且易分错类，导致 ZSL 性能下降。本文提出为 ZSL 问题学习可聚类特征。使用条件变分自编码器（CVAE）作为特征生成器，我们将原始特征投影到由辅助分类损失监督的新特征空间。为进一步提升可聚类性，我们使用高斯相似度损失对特征进行微调。可聚类视觉特征不仅更适于 CVAE 重建，也更可分离，从而提升分类准确率。此外，我们引入高斯噪声以增大生成特征的类内方差，有助于提升分类器鲁棒性。我们在 SUN、CUB 和 AWA2 数据集上的实验显示相较先前最优 ZSL 结果有大幅稳定提升。除在零样本分类上有效外，实验表明我们提升特征可聚类性的方法同样有益于少样本学习算法。
引用
@article{arxiv.2010.03245,
title = {Learning Clusterable Visual Features for Zero-Shot Recognition},
author = {Jingyi Xu and Zhixin Shu and Dimitris Samaras},
journal= {arXiv preprint arXiv:2010.03245},
year = {2020}
}