用于新颖视觉类别发现的零知识零样本学习
计算机视觉与模式识别
2023-02-10 v1 机器学习
摘要
广义零样本学习(GZSL)与开集识别(OSR)是极大扩展常规视觉对象识别的两种主流设定。然而，它们的问题设定局限不可忽略。GZSL中的新颖类别需要预定义语义标签，使问题设定不够现实；OSR中过度简化的未知类未能探索新颖类别内在的细粒度与混合结构。有鉴于此，我们受启发考虑一种称为零知识零样本学习(ZK-ZSL)的新问题设定，其假设对新类无先验知识，旨在分类已见与未见样本并恢复细粒度新颖类别的语义属性以进一步解释。为此，我们提出一种新框架，恢复已见与未见类别的聚类结构，其中已见类结构由源标签引导。此外，设计一种结构对齐损失，以借助恢复的未见类结构辅助其语义学习。实验结果在四个基准数据集上证明了我们的方法在分类与语义恢复上的优越性能。
引用
@article{arxiv.2302.04427,
title = {Zero-Knowledge Zero-Shot Learning for Novel Visual Category Discovery},
author = {Zhaonan Li and Hongfu Liu},
journal= {arXiv preprint arXiv:2302.04427},
year = {2023}
}