零样本对数调整
计算机视觉与模式识别
2022-05-06 v4 机器学习
摘要
基于语义描述的广义零样本学习（GZSL）在测试阶段识别新类别方面存在挑战。生成模型的发展使当前 GZSL 技术能够进一步探究语义-视觉关联，最终形成包含生成器和分类器的两阶段形式。然而，现有基于生成的方法聚焦于增强生成器效果，而忽视分类器的改进。本文中，我们首先分析了生成伪未见样本的两种性质：偏差与同质性。随后，我们进行变分贝叶斯推断以反推评估指标，其反映了可见类与未见类之间的平衡。作为推导结果，上述两种性质通过对数调整作为可见-未见先验融入分类器训练。零样本对数调整进一步使基于语义的分类器在基于生成的 GZSL 中发挥作用。我们的实验表明，所提技术与基础生成器结合时达到了最先进水平，且可改进多种生成式零样本学习框架。我们的代码发布于 https://github.com/cdb342/IJCAI-2022-ZLA。
引用
@article{arxiv.2204.11822,
title = {Zero-Shot Logit Adjustment},
author = {Dubing Chen and Yuming Shen and Haofeng Zhang and Philip H. S. Torr},
journal= {arXiv preprint arXiv:2204.11822},
year = {2022}
}
备注
IJCAI 2022