用于持续与广义零样本学习的元学习属性自交互网络
计算机视觉与模式识别
2023-12-06 v1 机器学习
机器学习
摘要
零样本学习（ZSL）是一种通过利用类属性将模型泛化到训练期间未见类别的方法，前景广阔，但依然存在挑战。近期，利用生成模型来对抗对训练期间已见类别的偏差的方法推动了当前最先进的技术，但这些生成模型的训练可能缓慢或计算成本高昂。此外，这些生成模型假设每个未见类别的属性向量在训练时是先验可用的，但这并不总是切合实际。另外，虽然许多先前的 ZSL 方法假设对未见类别进行一次性适应，但在现实中，世界总是在变化，需要不断调整已部署的模型。未准备好处理连续数据流的模型可能会经历灾难性遗忘。我们提出了一种用于持续 ZSL 的元学习属性自交互网络（MAIN）。通过将使用元学习训练的属性自交互与属性编码器的逆正则化相结合，我们能够在不利用未见类别属性的情况下超越最先进的结果，同时还能比昂贵的基于生成的方法快得多（>100倍）地训练我们的模型。我们在五个标准 ZSL 数据集（CUB、aPY、AWA1、AWA2 和 SUN）上的广义零样本学习和持续（固定/动态）零样本学习设置中通过实验证明了这一点。广泛的消融和分析证明了所提出的各种组件的有效性。
引用
@article{arxiv.2312.01167,
title = {Meta-Learned Attribute Self-Interaction Network for Continual and Generalized Zero-Shot Learning},
author = {Vinay K Verma and Nikhil Mehta and Kevin J Liang and Aakansha Mishra and Lawrence Carin},
journal= {arXiv preprint arXiv:2312.01167},
year = {2023}
}
备注
Accepted in IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2024. arXiv admin note: substantial text overlap with arXiv:2102.11856