基于类别描述正则化的零样本学习
计算机视觉与模式识别
2021-07-01 v1
摘要
生成式零样本学习(ZSL)的目的是从已见类别中学习,迁移所学知识,并根据这些未见类别的描述生成未见类别的样本。为了获得更好的 ZSL 准确率,模型需要更好地理解未见类别的描述。我们引入了一种新颖的正则化形式,鼓励生成式 ZSL 模型更加关注每个类别的描述。我们的实证结果表明,在基于文本描述的数据集(如 CUB 和 NABirds)以及基于属性的数据集(如 AWA2、aPY 和 SUN)上训练时,在广义零样本识别与分类任务上,多种最先进模型的性能均得到了提升。
引用
@article{arxiv.2106.16108,
title = {Zero-shot Learning with Class Description Regularization},
author = {Shayan Kousha and Marcus A. Brubaker},
journal= {arXiv preprint arXiv:2106.16108},
year = {2021}
}