通过生成伪特征表示实现零样本学习
计算机视觉与模式识别
2018-09-11 v1
摘要
零样本学习（ZSL）是一项具有挑战性的任务，旨在没有任何训练实例的情况下识别新类。本文提出一种简单但高性能的ZSL方法：生成伪特征表示（GPFR）。给定已见类数据集和未见类的辅助信息（如属性），我们为新概念合成特征级伪表示，从而能够构建未见类预测器。首先设计联合属性特征提取器（JAFE）以获取对属性的理解，然后构建由置信度边界过滤的属性认知库，最后使用基于概率的采样策略生成伪特征表示，以促进后续类预测器的训练过程。我们在合成彩色MNIST数据集（C-MNIST）上展示了该方法在ZSL设置中的有效性和在监督识别场景中的可扩展性。对于多个流行的ZSL基准数据集，我们的方法在零样本识别任务上也显示出令人瞩目的结果，尤其在零样本检索任务上使最先进的mAP得到巨大提升。
引用
@article{arxiv.1703.06389,
title = {Zero-Shot Learning by Generating Pseudo Feature Representations},
author = {Jiang Lu and Jin Li and Ziang Yan and Changshui Zhang},
journal= {arXiv preprint arXiv:1703.06389},
year = {2018}
}
备注
9 pages