学习语义歧义以实现零样本学习
计算机视觉与模式识别
2022-09-29 v3 多媒体
摘要
零样本学习（ZSL）旨在识别训练时无可视样本可用的类别。为解决此问题，可依赖每个类别的语义描述。典型的 ZSL 模型学习可见类别的可视样本与相应语义描述之间的映射，以便在测试时对未见类别执行同样操作。最先进的方法依赖从类别原型合成可视特征生成模型，从而能以监督方式学习分类器。然而，这些方法通常偏向于可见类别，其可视实例是唯一能与给定类别原型匹配者。我们提出一种正则化方法，可应用于任何基于条件生成的 ZSL 方法，仅利用语义类别原型。它学习为训练时不可用（即未见类别）的可能语义描述合成判别性特征。该方法在文献常用的四个数据集上针对 ZSL 与 GZSL 进行了评估，涵盖归纳与直推设置，结果媲美或优于最先进方法。
引用
@article{arxiv.2201.01823,
title = {Learning Semantic Ambiguities for Zero-Shot Learning},
author = {Celina Hanouti and Hervé Le Borgne},
journal= {arXiv preprint arXiv:2201.01823},
year = {2022}
}