基于语义特征合成与竞争学习的零样本与少样本学习
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)通过学习特征空间与语义空间(如属性空间)之间的投影函数得以实现。因此,ZSL的关键在于学习一个对所见类域与未见类域之间通常较大的域间隙具有鲁棒性的投影。本工作中,这一点通过未见类数据合成与鲁棒投影函数学习来实现。具体而言,提出了一种新颖的语义数据合成策略,利用语义类原型(如属性向量)对所见类数据进行简单扰动以生成未见类数据。如同任何数据合成/幻构方法,所合成数据在多大程度上能捕捉目标未见类数据分布存在模糊性与不确定性。为应对此问题,本工作的第二点贡献是一种称为竞争双向投影学习(BPL)的新颖投影学习模型,旨在最优利用模糊的合成数据。具体而言,我们假设每个合成数据点可属于任一未见类;并利用最可能的两个类候选以竞争方式学习鲁棒投影函数。作为第三点贡献,我们展示了所提ZSL模型可再次借助语义(类原型引导)特征合成与竞争BPL轻松扩展到少样本学习(FSL)。大量实验表明,我们的模型在这两个问题上均取得了最先进的结果。
引用
@article{arxiv.1810.08332,
title = {Zero and Few Shot Learning with Semantic Feature Synthesis and Competitive Learning},
author = {Zhiwu Lu and Jiechao Guan and Aoxue Li and Tao Xiang and An Zhao and Ji-Rong Wen},
journal= {arXiv preprint arXiv:1810.08332},
year = {2018}
}
备注
Submitted to IEEE TPAMI