直推式多视图零样本学习
计算机视觉与模式识别
2015-03-04 v2 数据结构与算法
多媒体
摘要
大多数现有的零样本学习方法利用中间级语义表示进行迁移学习，该表示在带标注的辅助数据集与具有不同类别且无标注的目标数据集之间共享。从低级特征空间到语义表示空间的投影是从辅助数据集中学习得到的，并未经适应直接应用于目标数据集。在本文中，我们指出了这些方法存在的两个固有局限性。首先，由于类别不相交且可能无关，从辅助数据集/域学习到的投影函数在直接应用于目标数据集/域时会产生偏差。我们将此问题称为投影域偏移问题，并提出了一种新颖的框架——直推式多视图嵌入来解决它。第二个局限性是原型稀疏性问题，指的是对于每个目标类别，给定语义表示后仅有一个原型可用于零样本学习。为克服这一问题，我们提出了一种新颖的异构多视图超图标签传播方法，用于直推式嵌入空间中的零样本学习。该方法有效地利用了不同语义表示提供的互补信息，并以连贯的方式利用了多个表示空间的流形结构。我们通过大量实验证明，所提出的方法：(1) 修正了辅助域与目标域之间的投影偏移；(2) 利用了多种语义表示的互补性；(3) 在三个图像和视频基准数据集上，显著优于现有的零样本和 N 样本识别方法；(4) 实现了新颖的跨视图标注任务。
引用
@article{arxiv.1501.04560,
title = {Transductive Multi-view Zero-Shot Learning},
author = {Yanwei Fu and Timothy M. Hospedales and Tao Xiang and Shaogang Gong},
journal= {arXiv preprint arXiv:1501.04560},
year = {2015}
}
备注
accepted by IEEE TPAMI, more info and longer report will be available in :http://www.eecs.qmul.ac.uk/~yf300/embedding/index.html