利用可见与不可见语义关系进行生成式零样本学习
计算机视觉与模式识别
2020-07-21 v1 机器学习
摘要
零样本学习（ZSL）通过利用语义信息将知识从可见类迁移到不可见类，以解决不可见类识别问题。生成式模型合成不可见视觉特征，并将 ZSL 转化为经典的监督学习问题。这些生成式模型使用可见类进行训练，并期望隐式地将知识从可见类迁移到不可见类。然而，它们的性能受到过拟合的阻碍，导致在广义零样本学习（GZSL）上表现不佳。为解决这一问题，我们提出了新颖的 LsrGAN，一种利用可见与不可见类别之间语义关系并通过引入新颖的语义正则化损失（SR-Loss）显式执行知识迁移的生成式模型。SR-Loss 引导 LsrGAN 生成反映可见类与不可见类之间语义关系的视觉特征。在七个基准数据集上的实验，包括具有挑战性的基于 Wikipedia 文本的 CUB 和 NABirds 划分，以及基于属性的 AWA、CUB 和 SUN，证明了 LsrGAN 在 ZSL 和 GZSL 下相较于先前最先进方法的优越性。代码可在 https://github.com/Maunil/LsrGAN 获取。
引用
@article{arxiv.2007.09549,
title = {Leveraging Seen and Unseen Semantic Relationships for Generative Zero-Shot Learning},
author = {Maunil R Vyas and Hemanth Venkateswara and Sethuraman Panchanathan},
journal= {arXiv preprint arXiv:2007.09549},
year = {2020}
}
备注
19 Pages, To be appear in ECCV 2020