SDM-Net:一种用于广义零样本学习的简洁有效模型
计算机视觉与模式识别
2021-01-01 v2 机器学习
摘要
零样本学习(ZSL)是一项分类任务,其中我们甚至没有任何来自一组未见类的带标签训练样本。相反,我们仅拥有关于可见类与未见类的先验信息(或描述),通常以物理可实现或描述性属性的形式给出。缺乏来自一组类的任何单一训练样本禁止使用标准分类技术与损失,包括常用的交叉熵损失。当前,最先进的方法将先验类信息编码为稠密向量,并优化输入向量的学习投影与相应类向量之间的距离(统称为嵌入模型)。在本文中,我们提出了一种将零样本学习构建为带有交叉熵损失的标准神经网络的新颖架构。在训练期间,我们的方法通过将可见类的观测训练数据与来自我们无训练数据或未见类的属性相似性信息相结合来执行软标注。据我们所知,这种基于相似性的软标注在深度学习领域尚未被探索。我们在四个零样本学习基准数据集 AwA、aPY、SUN 和 CUB 上评估所提模型,并表明我们的模型在所有这些数据集上的广义 ZSL 和 ZSL 设定中持续显著优于最先进方法。
引用
@article{arxiv.1909.04790,
title = {SDM-Net: A Simple and Effective Model for Generalized Zero-Shot Learning},
author = {Shabnam Daghaghi and Tharun Medini and Anshumali Shrivastava},
journal= {arXiv preprint arXiv:1909.04790},
year = {2021}
}