面向零样本学习的转导式无偏嵌入
计算机视觉与模式识别
2018-04-02 v1
摘要
大多数现有的零样本学习（ZSL）方法存在严重的偏置问题，即未见（目标）类的样本往往被分类为某个已见（源）类。因此它们在广义 ZSL 设定下部署时性能较差。本文中我们提出一种直接而有效的方法，称为准全监督学习（QFSL），以缓解偏置问题。我们的方法遵循转导式学习的方式，其假设已标注的源图像与未标注的目标图像均可用于训练。在语义嵌入空间中，已标注的源图像被映射到由源类别指定的若干固定点，而未标注的目标图像被强制映射到由目标类别指定的其他点。在 AwA2、CUB 和 SUN 数据集上进行的实验表明，在广义 ZSL 设定下我们的方法以 9.3~24.5% 的巨大优势超越现有最优方法，在常规 ZSL 设定下以 0.2~16.2% 的大幅优势超越现有最优方法。
引用
@article{arxiv.1803.11320,
title = {Transductive Unbiased Embedding for Zero-Shot Learning},
author = {Jie Song and Chengchao Shen and Yezhou Yang and Yang Liu and Mingli Song},
journal= {arXiv preprint arXiv:1803.11320},
year = {2018}
}
备注
Accepted to CVPR2018