面向广义零样本学习的语义借用
机器学习
2021-08-24 v2 人工智能
计算机视觉与模式识别
摘要
广义零样本学习(GZSL)是最现实但也最具挑战性的问题之一,原因在于分类器对监督类别的偏倚,尤其是在类归纳-实例归纳(CIII)训练设定下,测试数据不可用。实例借用方法和合成方法在测试语义的帮助下在一定程度上解决了该问题,但因此两者均无法在CIII下使用。此外,后者在生成样本后需要分类器的训练过程。相比之下,本文提出了一种在CIII下的新型非直推正则化方法,称为语义借用(SB),用于改进具有兼容性度量学习的GZSL方法,其不仅可用于训练线性模型,也可用于如人工神经网络的非线性模型。损失函数中的该正则项借用训练集中的相似语义,使得分类器在训练期间能更准确地建模零样本与监督类别语义之间的关系。实践中,未知类别的语义信息在训练时不可用,而本方法并不需要它。在GZSL基准数据集上的大量实验表明,SB能减少分类器对监督类别的偏倚并提升广义零样本分类性能,超越了归纳式GZSL的当前最优(state of the arts)。
引用
@article{arxiv.2102.04969,
title = {Semantic Borrowing for Generalized Zero-Shot Learning},
author = {Xiaowei Chen},
journal= {arXiv preprint arXiv:2102.04969},
year = {2021}
}