面向零样本学习的合成分类器
计算机视觉与模式识别
2016-05-31 v3
摘要
给定对象类别的语义描述，零样本学习旨在通过将未见类别（训练阶段无可用样本）与已见类别（提供有标签样本）相关联，来准确识别未见类别的对象。我们提出从流形学习的角度解决该问题。我们的核心思想是将源自外部信息的语义空间与关注识别视觉特征的模型空间对齐。为此，我们引入一组“幻影”对象类别，其坐标同时存在于语义空间和模型空间中。它们作为字典中的基，可从有标签数据中优化，使得合成的真实对象分类器达到最优判别性能。我们在四个零样本学习基准数据集上展示了该方法优于当前最优（state of the art）的准确性，包括包含超过20,000个未见类别的完整 ImageNet Fall 2011 数据集。
引用
@article{arxiv.1603.00550,
title = {Synthesized Classifiers for Zero-Shot Learning},
author = {Soravit Changpinyo and Wei-Lun Chao and Boqing Gong and Fei Sha},
journal= {arXiv preprint arXiv:1603.00550},
year = {2016}
}