零样本核学习
计算机视觉与模式识别
2018-06-26 v2
摘要
在本文中,我们解决零样本学习的一个开放问题。其原理基于学习一个映射,该映射将例如从图像中提取的特征向量与描述感兴趣对象和/或场景的属性向量相关联。进而,这允许通过将特征向量经由映射匹配到描述新类的新定义的属性向量来对未见对象类和/或场景进行分类。由于此类学习任务的重要性,存在许多学习语义、概率、线性或分段线性映射的方法。相反,我们应用成熟的核方法来学习特征空间与属性空间之间的非线性映射。我们提出了一个受线性判别分析、核目标对齐和核极化方法启发且促进非相干性的简易学习目标。我们在多项式核以及平移不变高斯核和柯西核上评估了我们算法的性能。尽管我们的方法简单,我们在多个零样本学习数据集和基准(包括最近的 AWA2 数据集)上取得了最先进的结果。
引用
@article{arxiv.1802.01279,
title = {Zero-Shot Kernel Learning},
author = {Hongguang Zhang and Piotr Koniusz},
journal= {arXiv preprint arXiv:1802.01279},
year = {2018}
}
备注
IEEE Conference on Computer Vision and Pattern Recognition 2018