基于类层级的可迁移特征与投影学习用于零样本学习
计算机视觉与模式识别
2018-10-22 v1 机器学习
摘要
零样本学习(ZSL)旨在将知识从已见类迁移到未见类,从而无需任何训练样本即可识别后者。这是通过学习特征空间与语义空间(如属性空间)之间的投影函数实现的。将已见类与未见类视为两个域,两者之间往往存在较大的域间隙,这对ZSL构成挑战。鉴于一个未见类若与某个已见类属于同一超类便并非完全“未见”这一事实,我们提出了一种新颖的归纳式ZSL模型,该模型利用超类作为已见类与未见类之间的桥梁以缩小域间隙。具体而言,我们首先构建由多个超类层与单个类层组成的类层级,其中超类通过对所有已见与未见类名称的语义表示进行数据驱动聚类自动生成。随后,我们利用类层级中的超类从两个方面应对域间隙挑战:深度特征学习与投影函数学习。首先,为缩小特征空间中的域间隙,我们将基于超类定义的循环神经网络(RNN)集成到卷积神经网络(CNN)中,以强化超类层级。其次,为进一步学习可迁移的ZSL投影函数,提出了一种利用超类对齐两个域的新颖投影函数学习方法。重要的是,我们的可迁移特征与投影学习方法可轻松扩展到一项密切相关任务——少样本学习(FSL)。大量实验表明,所提模型在ZSL与FSL任务上均显著优于最先进的替代方法。
引用
@article{arxiv.1810.08329,
title = {Transferrable Feature and Projection Learning with Class Hierarchy for Zero-Shot Learning},
author = {Aoxue Li and Zhiwu Lu and Jiechao Guan and Tao Xiang and Liwei Wang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:1810.08329},
year = {2018}
}
备注
Submitted to IJCV