面向广义零样本学习的合成样本选择
计算机视觉与模式识别
2023-04-07 v1
摘要
广义零样本学习（GZSL）因其在训练时识别未见对象的能力，已成为计算机视觉中的关键研究领域。尽管生成技术在将传统GZSL转化为全监督学习方面取得了显著进展，但它们往往生成大量常冗余的合成特征，从而增加了训练时间并降低了准确率。为解决此问题，本文提出一种利用强化学习进行合成特征选择的新方法。具体而言，我们提出一个基于transformer的选择器，通过近端策略优化（PPO）进行训练，以可见类的验证分类准确率作为奖励来选取合成特征。所提方法为模型无关与数据无关，可应用于图像与视频，并适用于多种任务。实验结果表明，我们的方法优于现有特征生成方法，在多个基准上取得了更好的整体性能。
引用
@article{arxiv.2304.02846,
title = {Synthetic Sample Selection for Generalized Zero-Shot Learning},
author = {Shreyank N Gowda},
journal= {arXiv preprint arXiv:2304.02846},
year = {2023}
}
备注
Paper accepted in CVPRW 2023