属性-对象组合中的对称性与群结构
计算机视觉与模式识别
2020-04-02 v1 机器学习
摘要
属性与对象可以组合成多种多样的组合体。为了对这类通用概念的组合性进行建模，通过耦合与解耦等变换来学习它们是一个不错的选择。然而，复杂的变换需要满足特定原则以保证其合理性。本文首次提出一个此前被忽视的属性-对象变换原则：对称性。例如，将 peeled-apple 与属性 peeled 耦合应得到 peeled-apple，而从 apple 中解耦 peeled 仍应输出 apple。结合对称性原则，我们构建了一个受群论启发的变换框架，即 SymNet。SymNet 由两个模块组成：耦合网络与解耦网络。以群公理和对称性作为目标，我们采用深度神经网络实现 SymNet，并以端到端范式对其进行训练。此外，我们提出一种基于相对移动距离（RMD）的识别方法，利用属性变化而非属性模式本身来对属性进行分类。我们的对称性学习可用于组合零样本学习（Compositional Zero-Shot Learning）任务，并在广泛使用的基准上优于当前最优（state-of-the-art）方法。代码见 https://github.com/DirtyHarryLYL/SymNet。
引用
@article{arxiv.2004.00587,
title = {Symmetry and Group in Attribute-Object Compositions},
author = {Yong-Lu Li and Yue Xu and Xiaohan Mao and Cewu Lu},
journal= {arXiv preprint arXiv:2004.00587},
year = {2020}
}
备注
Accepted to CVPR 2020, supplementary materials included, code available:https://github.com/DirtyHarryLYL/SymNet