用于零样本学习的流形结构传播
计算机视觉与模式识别
2019-03-07 v1
摘要
零样本学习（ZSL）的关键在于如何找到信息迁移模型以弥合图像与语义信息（文本或属性）之间的鸿沟。现有 ZSL 方法通常考虑语义类别的相关性（语义类别的流形结构）来构造图像与类标签之间的兼容性函数。然而，图像类别之间的关系（图像类别的流形结构）对于兼容性模型构造也十分重要。由于存在未见类别，难以捕捉图像类别间的关系，因此 ZSL 中常忽略图像类别的流形结构。为互补图像类别流形结构与语义类别信息流形结构，我们提出结构传播（SP）以提升 ZSL 分类性能。SP 可联合考虑图像类别与语义类别的流形结构，以逼近目标类别的固有结构。此外，SP 能描述兼容性函数与这些流形结构之间的约束条件，以平衡结构传播迭代的影响。SP 的解不仅给出未见类标签，还给出了编码结构传播中正向迁移的两种流形结构之间的关系。实验结果表明，SP 在 AwA、CUB、Dogs 和 SUN 数据库上取得了有前景的结果。
引用
@article{arxiv.1711.09513,
title = {Structure propagation for zero-shot learning},
author = {Guangfeng Lin and Yajun Chen and Fan Zhao},
journal= {arXiv preprint arXiv:1711.09513},
year = {2019}
}