通过共享重构图追踪的零样本学习
计算机视觉与模式识别
2017-11-21 v1
摘要
零样本学习 (ZSL) 旨在无任何训练数据的情况下识别新颖未见类物体。近期，基于结构迁移的方法被提出，通过将结构知识从语义嵌入空间迁移到图像特征空间来实现 ZSL 以分类测试图像。然而，我们观察到此类知识迁移框架可能遭受训练与测试空间中数据几何不一致的问题。我们称此问题为空间偏移问题。本文中，我们提出一种新颖的基于图的方法以缓解该空间偏移问题。具体而言，追踪一个共享重构图 (SRG) 以捕获两空间中数据的共性结构。借助学到的 SRG，图像特征空间中每个未见类原型（簇中心）可由其他类原型的线性组合合成，从而测试实例可基于到这些合成原型的距离分类。SRG 桥接了图像特征空间与语义嵌入空间。通过对所学 SRG 应用谱聚类，可发现许多有意义簇，其解释了数据集上的 ZSL 性能。我们的方法可轻易扩展至广义零样本学习设定。在三个流行数据集上的实验表明，我们的方法在所有数据集上优于其他方法。即使训练样本数少，我们的方法也能达到最先进性能。
引用
@article{arxiv.1711.07302,
title = {Zero-shot Learning via Shared-Reconstruction-Graph Pursuit},
author = {Bo Zhao and Xinwei Sun and Yuan Yao and Yizhou Wang},
journal= {arXiv preprint arXiv:1711.07302},
year = {2017}
}