利用虚构类表示提升判别性零样本学习器
计算机视觉与模式识别
2021-11-29 v1 人工智能
机器学习
摘要
针对判别性零样本学习，本文提出一种新颖机制，在训练过程中动态扩充可见类集合以生成额外的虚构类。这些虚构类削弱了模型在训练时固着于训练集中出现但新暴露类中不会出现的属性相关性的倾向。所提模型在零样本学习框架的两种设定下进行了测试，即广义零样本学习（GZSL）与经典零样本学习（CZSL）。我们的模型在 CUB 数据集上提升了当前最优（SOTA）性能，并在其他常用数据集 AWA2 和 SUN 上取得了可比结果。我们考察了方法的优势与不足，包括端到端训练零样本模型时的灾难性遗忘效应。
引用
@article{arxiv.2111.13550,
title = {Using Fictitious Class Representations to Boost Discriminative Zero-Shot Learners},
author = {Mohammed Dabbah and Ran El-yaniv},
journal= {arXiv preprint arXiv:2111.13550},
year = {2021}
}