揭示组合零样本学习中的近似长尾分布
计算机视觉与模式识别
2023-12-27 v1 人工智能
摘要
组合零样本学习（CZSL）旨在将知识从可见的状态-对象对转移到新颖的未见对。在此过程中，由状态-对象组合的多样相互关系引起的视觉偏差模糊了它们的视觉特征，阻碍了可区分类别原型的学习。主流方法集中于直接从视觉特征中分离状态和对象，忽略了可能从数据视角产生的潜在增强。实验上，我们揭示了上述问题导致的结果近似于长尾分布。作为解决方案，我们将CZSL转化为一个近似的类别不平衡问题。我们从数学上推导了长尾分布中类别先验在CZSL中的作用。基于这一见解，我们通过将视觉偏差估计为近似类别先验，将其纳入分类器的训练和推理中。这种增强鼓励分类器为每个组合获取更可辨别的类别原型，从而实现更平衡的预测。实验结果表明，我们的方法在不引入额外参数的情况下将模型性能提升到最先进水平。我们的代码可在\url{https://github.com/LanchJL/ProLT-CZSL}获取。
引用
@article{arxiv.2312.15923,
title = {Revealing the Proximate Long-Tail Distribution in Compositional Zero-Shot Learning},
author = {Chenyi Jiang and Haofeng Zhang},
journal= {arXiv preprint arXiv:2312.15923},
year = {2023}
}
备注
Accepted to AAAI 2024