基于稀疏属性传播的零样本学习
计算机视觉与模式识别
2019-03-19 v2
摘要
零样本学习（ZSL）旨在无需任何训练图像的情况下识别一组未见类。ZSL 的标准方法需要一组标注了可见类标签的训练图像，以及可见/未见类的语义描述符（属性向量是最广泛使用的）。类标签/属性标注代价高昂，因此严重限制了 ZSL 的可扩展性。本文定义了一种新的 ZSL 设定，其中仅从每个可见类收集少量标注图像。这明显比传统 ZSL 设定更具挑战性但也更贴近现实。为克服由此产生的图像级属性稀疏性，我们提出了一种称为稀疏属性传播（SAP）的新型归纳式 ZSL 模型，通过利用稀疏编码将属性标注传播到更多未标注图像。随后学习特征与属性之间的双向投影用于 ZSL。给出了一种高效求解器，并附有严格的算法理论分析。借助我们的 SAP，我们表明 ZSL 训练数据集现在可由图像搜索引擎返回的丰富网络图像进行扩充，以进一步提升模型性能。此外，SAP 的普遍适用性在解决社交图像标注（SIA）问题上得到验证。大量实验表明我们的模型在 ZSL 和 SIA 上均取得了优越性能。
引用
@article{arxiv.1812.04427,
title = {Zero-Shot Learning with Sparse Attribute Propagation},
author = {Nanyi Fei and Jiechao Guan and Zhiwu Lu and Tao Xiang and Ji-Rong Wen},
journal= {arXiv preprint arXiv:1812.04427},
year = {2019}
}