基于自适应结构嵌入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
零样本学习(ZSL)赋予计算机系统以推断能力，以识别从未见过的新类别实例。其中的两个基本挑战分别是跨模态学习中的视觉-语义嵌入和未见过类预测中的域适应。为应对这两个挑战，本文分别提出两种对应方法，即自适应结构嵌入(Adaptive STructural Embedding, ASTE)和自步选择性策略(Self-PAsed Selective Strategy, SPASS)。具体而言，ASTE在潜在结构SVM框架中形式化视觉-语义交互，自适应调整松弛变量以体现训练实例间不同的可靠性。以此方式，可靠实例被施加较小惩罚，而较不可靠实例被施加更重惩罚。从而确保了更具判别力的嵌入。另一方面，SPASS提供了一个缓解ZSL中域偏移问题的框架，其以由易到难的方式利用未见过数据。特别地，SPASS借用了自步学习(self-paced learning)的思想，通过从可靠到较不可靠迭代选择未见过实例，逐步将知识从已见域适应到未见域。随后，通过结合SPASS与ASTE，我们提出一种自步直推式ASTE (self-paced Transductive ASTE, TASTE)方法，以逐步增强分类能力。在三个基准数据集（即AwA、CUB和aPY）上的大量实验证明了ASTE和TASTE的优越性。此外，我们还提出了一种快速训练(FT)策略，以提升大多数现有ZSL方法的效率。该FT策略极其简单且具通用性，可在保持原有性能的同时，将大多数现有方法的训练时间加速4~300倍。
引用
@article{arxiv.1703.08897,
title = {Transductive Zero-Shot Learning with Adaptive Structural Embedding},
author = {Yunlong Yu and Zhong Ji and Jichang Guo and Yanwei Pang},
journal= {arXiv preprint arXiv:1703.08897},
year = {2017}
}