零样本学习——优、劣与弊的全面评估
计算机视觉与模式识别
2020-09-25 v4
摘要
由于零样本学习（即分类缺乏标记训练数据的图像）的重要性，近期提出的方法数量稳步增长。我们认为现在是退一步分析该领域现状的时候了。本文目的有三。首先，鉴于尚无公认的零样本学习基准，我们通过统一用于该任务的公开可用数据集的评估协议和数据划分，定义了一个新基准。这是一项重要贡献，因为已发表的结果常常不可比，有时甚至因例如在零样本测试类上预训练而存在缺陷。此外，我们提出了一个新的零样本学习数据集，即 Animals with Attributes 2 (AWA2) 数据集，我们将其图像特征和图像本身公开提供。其次，我们深入比较和分析了大量最先进的方法，包括在经典零样本设置和更现实的广义零样本设置中。最后，我们详细讨论了该领域当前状况的局限性，可作为推进该领域的基础。
引用
@article{arxiv.1707.00600,
title = {Zero-Shot Learning -- A Comprehensive Evaluation of the Good, the Bad and the Ugly},
author = {Yongqin Xian and Christoph H. Lampert and Bernt Schiele and Zeynep Akata},
journal= {arXiv preprint arXiv:1707.00600},
year = {2020}
}
备注
Accepted by TPAMI in July, 2018. We introduce Proposed Split Version 2.0 (Please download it from our project webpage). arXiv admin note: substantial text overlap with arXiv:1703.04394