用于零样本学习的简单而有效的局部化属性表示
计算机视觉与模式识别
2021-03-10 v3
摘要
零样本学习（ZSL）旨在利用未见类与可见类之间通过语义描述建立的关系来判别未见类图像。近期一些论文已表明局部化特征与微调特征提取器以获得可判别且可迁移特征的重要性。然而，这些方法需要复杂的注意力或部件检测模块以在视觉空间中进行显式定位。相反，本文我们提出在语义/属性空间中定位表示，采用一个简单但有效的流程，其中定位是隐式的。聚焦于属性表示，我们表明我们的方法在 CUB 和 SUN 数据集上取得最先进性能，并在 AWA2 数据集上获得具竞争力的结果，总体上优于在视觉空间中进行显式定位的更复杂方法。我们的方法易于实现，可用作零样本学习的新基线。此外，我们的局部化表示作为属性特定的热图具有高度可解释性。
引用
@article{arxiv.2006.05938,
title = {Simple and effective localized attribute representations for zero-shot learning},
author = {Shiqi Yang and Kai Wang and Luis Herranz and Joost van de Weijer},
journal= {arXiv preprint arXiv:2006.05938},
year = {2021}
}
备注
A journal version of the paper is arXiv:arXiv:2103.04704