用于零样本学习的语义Softmax损失
计算机视觉与模式识别
2017-05-23 v1
摘要
零样本学习（Zero-Shot Learning, ZSL）的典型流程是将视觉特征和类别语义描述符整合到一个采用线性或双线性模型的多模态框架中。然而，视觉特征和类别语义描述符位于不同的结构空间，线性或双线性模型无法很好地捕捉不同模态之间的语义交互。本文提出一种非线性方法，通过语义Softmax损失（Semantic Softmax Loss）将类别语义描述符嵌入多类分类网络的softmax层，从而将ZSL转化为一个多类分类问题。为缩小视觉特征与语义描述符之间的结构差异，我们进一步对视觉特征与由语义描述符重构的视觉原型之间的差异施加L2归一化约束。在三个基准数据集（AwA、CUB和SUN）上的结果表明，所提出的方法能够稳定提升性能，并在零样本分类和零样本检索两个任务上均达到最先进水平。
引用
@article{arxiv.1705.07692,
title = {Semantic Softmax Loss for Zero-Shot Learning},
author = {Zhong Ji and Yunxin Sun and Yulong Yu and Jichang Guo and Yanwei Pang},
journal= {arXiv preprint arXiv:1705.07692},
year = {2017}
}