用于零样本识别的渐进集成网络

尽管监督图像识别算法取得了进展，但其对标注数据可用性的依赖以及图像类别的快速扩张带来了零样本学习的重大挑战。零样本学习（ZSL）旨在将知识从已标注类别迁移至未标注类别，以减少人工标注负担。本文中，我们提出一种带有多重投影标签嵌入的新颖渐进集成网络模型，以解决零样本图像识别问题。该集成网络通过共享特征提取网络但不同标签嵌入表示学习多个图像分类函数构建而成，这增强了分类器的多样性并促进了向未标注类别的信息迁移。随后部署渐进训练框架，以预测伪标签逐步标注每个未标注类别中最置信的图像，并用伪标签扩充的训练数据更新集成网络。所提模型在已标注与未标注数据上均进行训练。它可自然弥合视觉外观中的域偏移问题，并扩展至广义零样本学习场景。我们在多个 ZSL 数据集上开展实验，经验结果证明了所提模型的有效性。