面向大规模零样本学习的语义增强知识图谱
计算机视觉与模式识别
2022-12-27 v1
摘要
零样本学习（Zero-Shot Learning）一直是视觉与语言领域的重点研究课题。近来，多数现有方法采用结构化知识信息来建模类别间的显式关联，并使用深度图卷积网络在不同类别间传播信息。然而，向现有结构化知识图谱添加新类别较为困难，且深度图卷积网络存在过平滑问题。本文提出一种新的语义增强知识图谱，其同时包含专家知识与类别语义关联。我们的语义增强知识图谱可进一步增强类别间关联，并便于吸纳新类别。为在知识图谱上传播信息，我们提出一种新颖的残差图卷积网络（ResGCN），可有效缓解过平滑问题。在广泛使用的大规模 ImageNet-21K 数据集与 AWA2 数据集上的实验表明了方法的有效性，并确立了零样本学习上的新 SOTA。此外，我们在大规模 ImageNet-21K 上基于多种特征提取网络的实验结果，表明我们的方法具有更好的泛化性与鲁棒性。
引用
@article{arxiv.2212.13151,
title = {Semantic Enhanced Knowledge Graph for Large-Scale Zero-Shot Learning},
author = {Jiwei Wei and Yang Yang and Zeyu Ma and Jingjing Li and Xing Xu and Heng Tao Shen},
journal= {arXiv preprint arXiv:2212.13151},
year = {2022}
}