基于自训练字典方法的直推式零样本学习
计算机视觉与模式识别
2017-03-28 v1
摘要
作为计算机视觉中一个重要且具有挑战性的问题，零样本学习 (ZSL) 旨在无需训练数据的情况下自动识别未见对象类别的实例。为解决该问题，ZSL 通常从以下两方面进行：1) 捕捉可见类数据与未见类数据之间的域分布关联；以及 2) 建模图像特征空间与标签嵌入空间之间的语义交互。受这些观察启发，我们提出了一种基于双向映射的语义关系建模方案，通过将图像特征和标签嵌入同时投影到公共潜在空间中来寻求跨模态知识迁移。即，我们具有从图像特征空间到潜在空间以及从标签嵌入空间到潜在空间的双向连接关系。为处理域偏移问题，我们进一步提出一种直推式学习方法，将类别预测问题表述为迭代精炼过程，其中通过对高可靠实例基于 bootstrapping 的模型更新逐步增强对象分类能力。在三个基准数据集 (AwA, CUB and SUN) 上的实验结果证明了所提方法相对于最先进方法的有效性。
引用
@article{arxiv.1703.08893,
title = {Transductive Zero-Shot Learning with a Self-training dictionary approach},
author = {Yunlong Yu and Zhong Ji and Xi Li and Jichang Guo and Zhongfei Zhang and Haibin Ling and Fei Wu},
journal= {arXiv preprint arXiv:1703.08893},
year = {2017}
}