基于双曲邻域图传播学习图像专属属性
计算机视觉与模式识别
2019-05-28 v2
摘要
作为视觉对象描述的语义表示,属性被广泛应用于各种计算机视觉任务中。在现有基于属性的研究中,通常采用类专属属性(CSA)这一类别级标注,因为其对每个类而非每张图像标注成本低。然而,由于标注误差及图像个体差异,类专属属性通常含有噪声。因此,期望从原始类专属属性中获取图像级标注的图像专属属性(ISA)。本文提出通过基于图的属性传播来学习图像专属属性。考虑到双曲几何距离呈指数扩张的固有性质,构建双曲邻域图(HNG)以刻画样本间关系。基于HNG,我们为各样本定义邻域一致性以识别不一致样本,随后依据其在HNG中的邻域对不一致样本进行精炼。在五个基准数据集上的大量实验表明,所学图像专属属性在零样本对象分类任务中显著优于原始类专属属性。
引用
@article{arxiv.1905.07933,
title = {Learning Image-Specific Attributes by Hyperbolic Neighborhood Graph Propagation},
author = {Xiaofeng Xu and Ivor W. Tsang and Xiaofeng Cao and Ruiheng Zhang and Chuancai Liu},
journal= {arXiv preprint arXiv:1905.07933},
year = {2019}
}
备注
Accepted for IJCAI 2019