广义零样本学习中用于新特征生成的多知识融合
计算机视觉与模式识别
2021-02-24 v1 人工智能
摘要
受语义不足与域偏移问题困扰，现有多数最优方法未能在零样本学习（ZSL）中取得满意结果。为缓解这些问题，我们提出一种新颖的生成式 ZSL 方法，在语义到视觉的嵌入中通过连续生成的新语义从多知识学习更具泛化性的特征。在我们的方法中，所提多知识融合网络（MKFNet）以来自多知识的不同语义特征作为输入，使更相关的语义特征得以训练用于语义到视觉的嵌入，并最终通过自适应融合来自不同知识域的视觉特征生成更具泛化性的视觉特征。所提带自适应遗传策略的新特征生成器（NFG）一方面用于丰富语义信息，另一方面大幅提升了 MKFNet 生成的视觉特征与未见视觉特征的交集。经实验，我们表明在包括传统 ZSL、广义 ZSL 与零样本检索在内的若干 ZSL 任务的大量基准上，我们的方法相比现有最优方法可实现显著更优的性能。
引用
@article{arxiv.2102.11566,
title = {Multi-Knowledge Fusion for New Feature Generation in Generalized Zero-Shot Learning},
author = {Hongxin Xiang and Cheng Xie and Ting Zeng and Yun Yang},
journal= {arXiv preprint arXiv:2102.11566},
year = {2021}
}