既不见亦不知地学习：迈向开放零样本学习
计算机视觉与模式识别
2021-09-15 v2
摘要
在广义零样本学习（Generalized Zero-Shot Learning, GZSL）中， unseen 类别（训练时无可用的视觉数据）可通过利用其类嵌入（例如描述它们的属性列表）以及互补的 seen 类池（同时配有视觉数据和类嵌入）来预测。尽管 GZSL 颇具挑战性，我们认为预先知道类嵌入（尤其是 unseen 类别的）实际上是 GZSL 在真实场景适用性的一个局限。为放宽该假设，我们提出开放零样本学习（Open Zero-Shot Learning, OZSL）以将 GZSL 扩展至开放世界设定。我们将 OZSL 形式化为识别 seen 与 unseen 类（如 GZSL 中）同时拒绝来自 unknown 类别的实例的问题，这些 unknown 类别既无视觉数据也无类嵌入。我们形式化了 OZSL 问题，引入了评估协议、误差指标和基准数据集。我们还建议通过提出执行 unknown 特征生成（而非如 GZSL 中仅生成 unseen 特征）的思路来解决 OZSL 问题。我们通过优化一个生成过程来采样 unknown 类嵌入作为 seen 与 unseen 类的补充，从而实现这一点。我们期望这些结果能作为基础以促进未来研究，用新颖的开放世界对应方法（OZSL）扩展标准的封闭世界零样本学习（GZSL）。
引用
@article{arxiv.2103.12437,
title = {Learning without Seeing nor Knowing: Towards Open Zero-Shot Learning},
author = {Federico Marmoreo and Julio Ivan Davila Carrazco and Vittorio Murino and Jacopo Cavazza},
journal= {arXiv preprint arXiv:2103.12437},
year = {2021}
}