缓解三维物体零样本学习的枢纽度问题
计算机视觉与模式识别
2019-07-16 v1
摘要
先进三维传感器的发展使得许多物体能够在自然场景中被大规模捕获，因此三维物体识别系统可能会遇到许多未经训练的物体。零样本学习（Zero-Shot Learning, ZSL）方法可协助此类系统识别先前未见过的物体。将 ZSL 应用于三维点云物体是三维视觉领域的一个新兴课题，然而，ZSL 经常遭受的一个显著问题是所谓的枢纽度（hubness）问题，即模型偏向于对大多数测试实例仅预测少数特定标签。我们观察到，三维识别中的枢纽度问题比二维识别更为严重。原因之一在于，二维中可使用在 ImageNet 等大型数据集上预训练的网络，其能生成高质量特征。但在三维情况下，没有此类可用于预训练的大规模带标签数据集，这意味着提取的三维特征质量较差，进而加剧了枢纽度问题。因此，本文提出一种损失函数以专门解决枢纽度问题。我们所提方法对零样本学习和广义零样本学习均有效，并在具有挑战性的数据集 ModelNet40、ModelNet10、McGill 和 SHREC2015 上进行了充分评估。我们在三维情况下的两项零样本任务上均建立了新的 SOTA 结果。
引用
@article{arxiv.1907.06371,
title = {Mitigating the Hubness Problem for Zero-Shot Learning of 3D Objects},
author = {Ali Cheraghian and Shafin Rahman and Dylan Campbell and Lars Petersson},
journal= {arXiv preprint arXiv:1907.06371},
year = {2019}
}
备注
BMVC 2019