解决零样本学习问题的自监督方法
计算机视觉与模式识别
2022-01-24 v2 机器学习
摘要
近年来，自监督学习在计算机视觉与自然语言处理应用中取得了显著成功。前置任务（pretext task）的类型对性能的提升至关重要。一种常见的前置任务是度量图像对之间的相似与不相似程度。在此场景下，构成负样本对的两幅图像对人眼而言明显不同。然而，在昆虫学中，物种几乎难以区分，因而难以分辨。在本研究中，我们探索了使用对比损失（contrastive loss）的孪生神经网络（Siamese neural network）的性能：学习将不相似的熊蜂物种对的嵌入推远，并将相似的嵌入拉近。我们的实验结果显示，在零样本实例上 F1 分数为 61%，相较于与训练集存在交集的类别样本，性能提升了 11%。
引用
@article{arxiv.2201.01391,
title = {Self-Supervised Approach to Addressing Zero-Shot Learning Problem},
author = {Ademola Okerinde and Sam Hoggatt and Divya Vani Lakkireddy and Nolan Brubaker and William Hsu and Lior Shamir and Brian Spiesman},
journal= {arXiv preprint arXiv:2201.01391},
year = {2022}
}