通过解耦特征生成的直推式零样本学习
计算机视觉与模式识别
2021-09-15 v3
摘要
本文研究零样本学习（ZSL），即识别训练期间无可用标注视觉数据的类别的问题。我们关注直推式设定，其中来自未见类别的无标注视觉数据可用。ZSL中最先进的范式通常利用生成对抗网络从语义属性合成视觉特征。我们认为这些方法的主要局限在于采用单一模型应对两个问题：1）生成逼真的视觉特征，以及2）将语义属性转化为视觉线索。不同地，我们提议解耦此类任务，分别求解。具体而言，我们训练一个无条件生成器仅捕捉视觉数据分布的复杂性，随后将其与一个条件生成器配对，后者致力于用类嵌入的语义内容来丰富数据分布的先验知识。我们给出了详细的消融研究以剖析所提解耦方法的效果，同时证明其相对于相关先进方法的优越性。
引用
@article{arxiv.2102.03266,
title = {Transductive Zero-Shot Learning by Decoupled Feature Generation},
author = {Federico Marmoreo and Jacopo Cavazza and Vittorio Murino},
journal= {arXiv preprint arXiv:2102.03266},
year = {2021}
}
备注
Published at the IEEE/CVF Winter Conference on Computer Vision (WACV) 2021