面向广义与零样本学习的定向注意力

Abhijit Suprem

面向广义与零样本学习的定向注意力

计算机视觉与模式识别 2022-11-18 v1

作者: Abhijit Suprem

摘要

零样本学习(ZSL)任务试图在没有任何标注数据的情况下学习概念。与传统分类/检测任务不同，其评估环境提供训练期间从未见过的类别。因此，它在包括无监督概念学习、域适应和数据集漂移检测在内的多个方面既具挑战性又具前景。近来出现了多种解决ZSL的方法，包括改进的度量学习、迁移学习、利用词向量等结合语义与图像域，以及为建模已知类的潜空间以分类未知类而采用的生成模型。我们发现许多方法需要以属性或特征进行密集的训练增强，而这些属性或特征常不可用(基于属性的学习)或易受对抗攻击(生成式学习)。我们提出将来自相关行人重识别任务的方法结合用于ZSL，并做关键修改以确保在无需特征或训练数据集增强的ZSL设定下获得充分提升的性能。相较于近期工作，我们能在CUB200与Cars196数据集的ZSL设定下取得最先进性能：CUB200的NMI(归一化互推断)为63.27、top-1为61.04，Cars196的NMI为66.03、top-1为82.75%。我们还展示了在广义零样本学习(GZSL)设定下的最先进结果，在CUB200数据集上Harmonic Mean R-1为66.14%。

关键词

零样本学习广义零样本学习定向注意力行人重识别特征增强最先进

引用

@article{arxiv.2211.09322,
  title  = {Targeted Attention for Generalized- and Zero-Shot Learning},
  author = {Abhijit Suprem},
  journal= {arXiv preprint arXiv:2211.09322},
  year   = {2022}
}

面向广义与零样本学习的定向注意力

摘要

关键词

引用

相关论文