基于任务相关解耦与可控样本合成的非生成式广义零样本学习
计算机视觉与模式识别
2022-08-23 v4
摘要
合成伪样本是目前解决广义零样本学习 (GZSL) 问题最有效的方式。多数模型取得了有竞争力的性能，但仍受两方面问题困扰：(1) 特征混淆，整体表示混淆了任务相关与任务无关特征，现有模型以生成式解耦二者，但凭有限样本合成可靠伪样本并不合理；(2) 分布不确定性，现有模型从不确定分布合成样本需海量数据，导致可见类样本有限时性能不佳。本文提出非生成式模型，通过两个模块对应解决上述问题：(1) 任务相关特征解耦，借助域适应的对抗学习将任务相关特征从任务无关特征中排除，以实现合理合成；(2) 可控伪样本合成，合成具备确定特征的边缘伪样本与中心伪样本，以实现更丰富的生成与直观的迁移。此外，为描述训练中可见类样本受限这一新场景，我们进一步形式化了一种称为“少样本可见类与零样本不可见类学习”(FSZU) 的新 ZSL 任务。在四个基准上的大量实验验证了所提方法在 GZSL 与 FSZU 任务上的竞争力。
引用
@article{arxiv.2203.05335,
title = {Non-generative Generalized Zero-shot Learning via Task-correlated Disentanglement and Controllable Samples Synthesis},
author = {Yaogong Feng and Xiaowen Huang and Pengbo Yang and Jian Yu and Jitao Sang},
journal= {arXiv preprint arXiv:2203.05335},
year = {2022}
}
备注
12 pages, 5 figures