关于广义零样本学习中的隐式属性定位
计算机视觉与模式识别
2021-05-26 v1
摘要
零样本学习（ZSL）旨在利用基于属性的描述，通过已见类与未见类之间的关系来判别未见类的图像。由于属性通常与物体的特定部位相关，许多近期工作聚焦于发现判别性区域。然而，这些方法通常需要额外的复杂部件检测模块或注意力机制。在本文中，1）我们表明常见的 ZSL 骨干网络（无显式注意力也无部件检测）能够隐式定位属性，但这一性质未被利用。2）利用该性质，我们进而提出 SELAR，一种简单方法，进一步鼓励属性定位，在与更复杂的 state-of-the-art 方法相比时，出人意料地取得了极具竞争力的广义零样本学习（GZSL）性能。我们的发现为设计未来的 GZSL 方法提供了有用见解，且 SELAR 提供了一个易于实现却强大的基线。
引用
@article{arxiv.2103.04704,
title = {On Implicit Attribute Localization for Generalized Zero-Shot Learning},
author = {Shiqi Yang and Kai Wang and Luis Herranz and Joost van de Weijer},
journal= {arXiv preprint arXiv:2103.04704},
year = {2021}
}
备注
To appear in IEEE Signal Processing Letters. Overlapped with arXiv:2006.05938