基于生成式潜在原型模型的零样本学习
计算机视觉与模式识别
2017-05-29 v1
摘要
零样本学习研究在没有训练样本的情况下对物体类别进行分类的问题，正受到学术界越来越多的关注。现有的大多数零样本学习方法通过中间的语义嵌入空间进行确定性迁移学习。本文尝试从生成式概率建模的视角来解决这一问题。我们假设对于任何类别，其观测到的表征（如图像或文本）都是由潜在空间中的一个独特原型发展而来，该空间中原型之间的语义关系通过线性重构进行编码。利用这一假设，可以从相应的原型生成未见类别的虚拟实例，从而产生一种新颖的零样本学习模型，该模型能够缓解直接迁移学习中存在的领域偏移问题。在三个基准数据集上的大量实验表明，我们提出的模型能够取得最先进的结果。
引用
@article{arxiv.1705.09474,
title = {Zero-Shot Learning with Generative Latent Prototype Model},
author = {Yanan Li and Donghui Wang},
journal= {arXiv preprint arXiv:1705.09474},
year = {2017}
}
备注
This work was completed in Oct, 2016