面向广义零样本学习的语义解耦
计算机视觉与模式识别
2021-08-30 v5
摘要
广义零样本学习（GZSL）旨在训练时部分类别不可观测的假设下对样本进行分类。为弥合可见类与不可见类之间的差距，多数 GZSL 方法试图将可见类的视觉特征与属性相关联，或直接生成不可见类样本。然而，已有方法所用的视觉特征未必编码了共享属性所指的语义相关信息，这降低了模型对不可见类的泛化能力。为解决该问题，本文提出一种用于广义零样本学习任务的新颖语义解耦框架（SDGZSL），其中不可见类的视觉特征首先由条件 VAE 估计，随后被分解为语义一致与语义无关的潜向量。特别地，应用总相关惩罚以保证两个分解表示之间的独立性，并通过导出的关系网络度量其语义一致性。在四个 GZSL 基准数据集上开展的广泛实验证明，所提 SDGZSL 解耦出的语义一致特征在规范与广义零样本学习任务中具有更好的泛化性。我们的源代码发布于 https://github.com/uqzhichen/SDGZSL。
引用
@article{arxiv.2101.07978,
title = {Semantics Disentangling for Generalized Zero-Shot Learning},
author = {Zhi Chen and Yadan Luo and Ruihong Qiu and Sen Wang and Zi Huang and Jingjing Li and Zheng Zhang},
journal= {arXiv preprint arXiv:2101.07978},
year = {2021}
}
备注
ICCV 2021 camera-ready