用于零样本学习的概率 AND-OR 属性分组
计算机视觉与模式识别
2018-07-10 v2 人工智能
机器学习
摘要
在零样本学习 (ZSL) 中，分类器被训练用于在没有任何图像样本的情况下识别视觉类别。取而代之的是，它被给定关于该类别的语义信息，如文本描述或一组属性。从属性中学习可以通过显式地建模属性空间的结构而受益。遗憾的是，在典型的数据集规模下，从经验样本中学习一般结构是很困难的。在此我们描述了 LAGO，一种旨在捕获跨属性组的自然软 AND-OR 关系的概率模型。我们展示了该模型如何与深度属性检测模型进行端到端学习。软组结构可以作为模型的一部分从数据中联合学习，并且如果存在关于组的先验知识，也可以很容易地将其纳入。软 AND-OR 结构成功捕获了有意义的且具有预测性的结构，在三个基准测试中的两个上提高了零样本学习的准确率。最后，LAGO 揭示了两种 ZSL 方法的统一表述：DAP (Lampert et al., 2009) 和 ESZSL (Romera-Paredes & Torr, 2015)。有趣的是，对每个属性仅采用单例组，引入了一种新的 DAP 软松弛，其性能比 DAP 高约 40。
引用
@article{arxiv.1806.02664,
title = {Probabilistic AND-OR Attribute Grouping for Zero-Shot Learning},
author = {Yuval Atzmon and Gal Chechik},
journal= {arXiv preprint arXiv:1806.02664},
year = {2018}
}
备注
Accepted to the Conference on Uncertainty in Artificial Intelligence (UAI), 2018