基于等周损失的零样本学习
机器学习
2019-12-05 v2 计算机视觉与模式识别
机器学习
摘要
我们引入等周损失作为从视觉表示到语义嵌入映射的正则化准则，用于零样本学习设定中将知识迁移至未知类别。我们使用预训练深度神经网络模型作为图像数据的视觉表示、类标签的Word2Vec嵌入，以及视觉与语义嵌入空间之间的线性映射。然而，空间本身并非线性的，我们假定样本嵌入由靠近 otherwise 平滑流形的含噪样本所填充。我们利用样本点定义的图结构，通过推广黎曼几何中的等周不等式至图来推断图连通性，从而正则化对流形的估计。令人惊讶的是，仅此正则化配合最简基线模型，就在AwA和CUB等零样本学习基准中优于全自动化方法的最先进水平。这一提升仅通过强加规律性来学习底层空间结构而实现。
引用
@article{arxiv.1903.06781,
title = {Zero Shot Learning with the Isoperimetric Loss},
author = {Shay Deutsch and Andrea Bertozzi and Stefano Soatto},
journal= {arXiv preprint arXiv:1903.06781},
year = {2019}
}
备注
Accepted to AAAI-20