面向未见过域中未见过类别的识别
计算机视觉与模式识别
2020-08-12 v2
摘要
当前的深度视觉识别系统在遇到训练期间未见过的类别和场景的新图像时，会出现严重的性能下降。因此，零样本学习（ZSL）的核心挑战是应对语义偏移，而域适应与域泛化（DG）的主要挑战是域偏移。尽管历史上ZSL与DG任务是孤立解决的，本工作以联合解决它们的雄心目标展开，即通过识别未见过域中的未见过视觉概念。我们提出CuMix（用于识别未见过域中未见过类别的CurriculumMixup），一种解决ZSL、DG及ZSL+DG的整体算法。CuMix的关键思想是利用通过混合训练期间可用的多源域与类别生成的未见过域与类别的图像和特征，来模拟测试时的域与语义偏移。此外，设计了一种基于课程的混合策略以生成日益复杂的训练样本。在标准SL与DG数据集以及使用DomainNet基准的ZSL+DG上的结果证明了我们方法的有效性。
引用
@article{arxiv.2007.12256,
title = {Towards Recognizing Unseen Categories in Unseen Domains},
author = {Massimiliano Mancini and Zeynep Akata and Elisa Ricci and Barbara Caputo},
journal= {arXiv preprint arXiv:2007.12256},
year = {2020}
}
备注
Accepted to ECCV 2020