后续出现未见类？没问题：面向持续广义零样本学习的统一框架
计算机视觉与模式识别
2022-03-31 v1
摘要
近期从有限监督中学习的进展推动了能够于测试时识别新类（广义零样本学习或GZSL）的模型设计。GZSL方法预先假定已知所有类，无论是否有标注数据。然而，实际场景要求模型具备适应性，并能动态处理新出现的有见类与未见类（即持续广义零样本学习或CGZSL）。一种方案是顺序重训练并复用传统GZSL方法，但此类方法遭受灾难性遗忘，导致泛化性能次优。近期少数针对CGZSL的尝试受限于设置、实用性、数据划分与所遵循协议之间的差异，阻碍了公平比较与明确的前进方向。受这些观察启发，本工作中我们首先整合不同的CGZSL设置变体，并提出一种更实用且灵活的在线CGZSL（Online-CGZSL）设置。其次，我们引入一种用于CGZSL的统一特征生成框架，其利用双向增量对齐来动态适应新类的加入——无论是否带有标注数据，这些新类随时间以任一CGZSL设置到达。我们在五个基准数据集上的综合实验与分析以及与基线的对比表明，我们的方法持续优于现有方法，尤其在更实用的在线设置上。
引用
@article{arxiv.2203.16517,
title = {Unseen Classes at a Later Time? No Problem},
author = {Hari Chandana Kuchibhotla and Sumitra S Malagi and Shivam Chandhok and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2203.16517},
year = {2022}
}
备注
To appear in CVPR 2022. Code is available @ (https://github.com/sumitramalagi/Unseen-classes-at-a-later-time)