零样本学习——好、坏与丑
计算机视觉与模式识别
2020-09-24 v2
摘要
由于零样本学习的重要性，近年来提出的方法数量稳步增加。我们认为现在是时候退后一步，分析该领域的现状了。本文的目的有三方面。首先，鉴于目前没有公认的零样本学习基准，我们首先通过统一评估协议和数据划分来定义一个新的基准。这是一项重要贡献，因为已发表的结果通常不可比较，有时甚至因在零样本测试类上进行预训练等原因而存在缺陷。其次，我们深入比较和分析了大量最先进的方法，既包括经典的零样本设置，也包括更现实的广义零样本设置。最后，我们讨论了该领域当前状态的局限性，这些局限性可作为推动其发展的基础。
引用
@article{arxiv.1703.04394,
title = {Zero-Shot Learning -- The Good, the Bad and the Ugly},
author = {Yongqin Xian and Bernt Schiele and Zeynep Akata},
journal= {arXiv preprint arXiv:1703.04394},
year = {2020}
}
备注
Accepted as a full paper in IEEE Computer Vision and Pattern Recognition (CVPR) 2017. We introduce Proposed Split Version 2.0 (Please download it from the project page)