直推式多类与多标签零样本学习
机器学习
2015-03-30 v1 计算机视觉与模式识别
摘要
近年来，零样本学习（ZSL）受到越来越多的关注。现有 ZSL 方法的核心思想是利用中间层语义表示进行知识迁移，该语义表示被假定在辅助数据集和目标数据集之间共享，并用于桥接这些领域以实现知识迁移。现有方法使用的语义表示从视觉属性到语义词向量和语义相关性不等。然而，整体流程相似：通过分类或回归模型从辅助数据集中学习一个将低级特征映射到语义表示的投影，并直接应用于将每个实例映射到相同的语义表示空间，其中使用零样本分类器借助每个目标类的单个已知“原型”来识别未见目标类实例。本文讨论了两条改进常规方法的相关工作线：利用直推学习 ZSL，以及将 ZSL 推广到多标签情况。
引用
@article{arxiv.1503.07884,
title = {Transductive Multi-class and Multi-label Zero-shot Learning},
author = {Yanwei Fu and Yongxin Yang and Timothy M. Hospedales and Tao Xiang and Shaogang Gong},
journal= {arXiv preprint arXiv:1503.07884},
year = {2015}
}
备注
4 pages, 4 figures, ECCV 2014 Workshop on Parts and Attributes