不破不立：面向新属性合成的零样本学习
计算机视觉与模式识别
2022-11-22 v6 机器学习
摘要
现有的大多数零样本分类问题算法通常依赖于类别间基于属性的语义关系，以在未见任何新类别实例的情况下实现对其分类。然而，训练零样本分类模型仍需要对训练数据集中每个类（甚至每个实例）进行属性标注，这同样代价高昂。为此，本文提出一种新的问题场景：“我们能否推导出新属性检测器/分类器的零样本学习，并利用它们自动标注数据集以提升标注效率？”基本上，在仅给定一小组合成用于识别某些人工标注属性（即已见属性）的检测器的情况下，我们旨在以零样本学习方式合成新属性的检测器。我们提出的方法——属性零样本学习（ZSLA）——据我们所知属首创，通过将集合运算应用于先将已见属性分解为基本属性、再将这些基本属性重组为新属性，来解决这一新问题。我们进行了大量实验以验证所合成检测器准确捕捉新属性语义的能力，并展示其在检测与定位方面相对于其他基线方法的优越性能。此外，我们在Caltech-UCSD Birds-200-2011数据集上展示了利用所合成检测器进行自动标注的应用。基于ZSLA重新标注的数据集训练的多种广义零样本分类算法，表现出与基于人工真值标注训练相当的性能和表现。源代码请参见我们的项目页面：https://yuhsuanli.github.io/ZSLA/
引用
@article{arxiv.2111.14182,
title = {Make an Omelette with Breaking Eggs: Zero-Shot Learning for Novel Attribute Synthesis},
author = {Yu-Hsuan Li and Tzu-Yin Chao and Ching-Chun Huang and Pin-Yu Chen and Wei-Chen Chiu},
journal= {arXiv preprint arXiv:2111.14182},
year = {2022}
}
备注
Accepted by the 36th Conference on Neural Information Processing Systems (NeurIPS 2022). (* Yu-Hsuan Li and Tzu-Yin Chao contributed equally to this work.)