统一少样本与零样本自我中心动作识别
计算机视觉与模式识别
2020-06-23 v1 机器学习
摘要
尽管自我中心动作识别已有大量研究，多数方法与任务（包括 EPIC-KITCHENS）都假定固定的动作类别集合。固定集合分类对方法基准测试有用，但由于动作的组合性，在实际场景中往往不现实，导致一个 functionally 无限基数的标签集。本工作中，我们通过统一两种流行方法——少样本与零样本泛化（后者被我们重新界定为跨模态少样本泛化）——来探索具有开放类别集的泛化。我们提出了一组源自 EPIC-KITCHENS 数据集的新划分，允许对开放集分类进行评估，并利用这些划分表明：在常规直接对齐基线中加入度量学习损失可将零样本分类提升多达 10%，同时不牺牲少样本性能。
引用
@article{arxiv.2006.11393,
title = {Unifying Few- and Zero-Shot Egocentric Action Recognition},
author = {Tyler R. Scott and Michael Shvartsman and Karl Ridgeway},
journal= {arXiv preprint arXiv:2006.11393},
year = {2020}
}
备注
Accepted for presentation at the EPIC@CVPR2020 workshop