面向高效深度嵌入的零样本学习
计算机视觉与模式识别
2018-12-12 v2
摘要
零样本学习（ZSL）可表述为一个跨域匹配问题：在投影到联合嵌入空间后，视觉样本将与所有候选类级语义描述进行匹配，并被指派给最近邻类。在此过程中，嵌入空间支撑了这种匹配的成功，并对 ZSL 至关重要。本文对 ZSL 嵌入空间的构建进行了深入研究，并提出理想的嵌入空间应满足两个准则：类内紧致性与类间可分离性。前者鼓励同一类的视觉样本嵌入紧密分布在该类的语义描述嵌入附近，后者要求来自不同类的嵌入彼此良好分离。为此，我们提出了一个简单而有效的双分支网络，将语义描述与视觉样本同时映射到联合空间，在该空间上视觉嵌入被强制回归至其类级语义嵌入，且跨类的嵌入需由一个可训练分类器区分。此外，我们将方法扩展至直推式设定，以极少的额外监督更好地处理 ZSL 中的模型偏置问题（即未见类样本倾向于被分类为已见类）。具体而言，我们提出一种伪标注策略，逐步将测试样本纳入训练过程，从而平衡模型在已见与未见类间的表现。在五个标准 ZSL 数据集上的实验结果显示了所提方法及其直推式扩展的优越性能。
引用
@article{arxiv.1808.10075,
title = {Towards Effective Deep Embedding for Zero-Shot Learning},
author = {Lei Zhang and Peng Wang and Lingqiao Liu and Chunhua Shen and Wei Wei and Yannning Zhang and Anton Van Den Hengel},
journal= {arXiv preprint arXiv:1808.10075},
year = {2018}
}
备注
Working in progress