基于最优传输的零样本识别
机器学习
2020-12-29 v2 计算机视觉与模式识别
机器学习
摘要
我们提出一种用于广义零样本学习（GZSL）的最优传输（OT）框架，借助辅助属性来区分可见类与不可见类的样本。通过求解一个最优传输问题来最小化特征与属性之间的不一致。具体地，我们构建条件生成模型从可见类属性生成特征，并在生成特征分布与真实特征分布之间建立最优传输。生成模型与最优传输通过基于属性的正则化项迭代优化，进一步增强生成特征的判别力。基于为可见类与不可见类生成的特征学习一个分类器。除广义零样本学习外，我们的框架也适用于标准与直推式ZSL问题。实验表明，我们基于最优传输的方法在多个基准数据集上优于最先进的（SOTA）方法。
引用
@article{arxiv.1910.09057,
title = {Zero-Shot Recognition via Optimal Transport},
author = {Wenlin Wang and Hongteng Xu and Guoyin Wang and Wenqi Wang and Lawrence Carin},
journal= {arXiv preprint arXiv:1910.09057},
year = {2020}
}
备注
To appear in WACV 2021