基于联合潜在相似性嵌入的零样本学习
计算机视觉与模式识别
2016-08-22 v3
摘要
零样本识别（ZSR）处理基于未见类别的源域侧信息（如属性）预测目标域实例类标签的问题。我们将ZSR表述为二分类预测问题。我们得到的分类器与类别无关。它任意取一对源域和目标域实例作为输入，预测它们是否来自同一类，即是否匹配。我们对匹配的后验概率建模，因其为充分统计量，并据此提出潜在概率模型。我们开发了基于字典学习的联合判别学习框架，为两个域联合学习模型参数，最终导出我们的与类别无关的分类器。许多现有嵌入方法可视为我们概率模型的特例。在ZSR上，我们的方法在四个基准数据集平均准确率上比最先进水平提高4.90%。我们还将ZSR方法调整用于零样本检索，并在平均精度均值（mAP）上相应提高22.45%。
引用
@article{arxiv.1511.04512,
title = {Zero-Shot Learning via Joint Latent Similarity Embedding},
author = {Ziming Zhang and Venkatesh Saligrama},
journal= {arXiv preprint arXiv:1511.04512},
year = {2016}
}