使用超维计算的零样本分类
计算机视觉与模式识别
2024-01-31 v1 机器学习
摘要
基于零样本学习（ZSL）的分类是指模型能够将输入分类到模型之前未见任何训练样本的新类别中。以一组描述ZSL分类中新类别的属性形式提供辅助描述符是解决这一挑战性任务的主流方法之一。在这项工作中，受超维计算（HDC）的启发，我们提出在属性编码器内部使用符号式分布式表示的静态二进制码本，以紧凑地表示一个计算简单的端到端可训练模型，我们将其命名为超维计算零样本分类器（HDC-ZSC）。它由一个可训练的图像编码器、一个基于HDC的属性编码器和一个相似度核组成。我们证明，HDC-ZSC可首先用于执行零样本属性提取任务，随后可通过最小的架构更改和模型重训练，重新用于零样本分类任务。HDC-ZSC在CUB-200数据集上以仅2660万个可训练参数实现了63.8%的Top-1分类准确率，达到了帕累托最优结果。与另外两种最先进的非生成式方法相比，HDC-ZSC的准确率分别高出4.3%和9.9%，而它们所需的参数量分别是HDC-ZSC的1.85倍和1.72倍以上。
引用
@article{arxiv.2401.16876,
title = {Zero-shot Classification using Hyperdimensional Computing},
author = {Samuele Ruffino and Geethan Karunaratne and Michael Hersche and Luca Benini and Abu Sebastian and Abbas Rahimi},
journal= {arXiv preprint arXiv:2401.16876},
year = {2024}
}
备注
This is the extended version of a paper accepted in the Design, Automation, and Test in Europe Conference (DATE), 2024