zero-shot learning
在零次学习（ZSL）中，训练集中的样本标签与测试集的标签是不相交的，即在训练时是没有见过测试集类别的样本的，而零次学习任务就是要识别出这些训练时没见过的类别的样本。既然要认出没见过的对象，那就要教会模型学习到更“本质”的知识，并且将这些知识“举一反三”，从已见过的类别（seen）迁移到没见过的类别（unseen）。在具体的实现中，模型会使用一层语义嵌入层，作为seen类和unseen类的迁移桥梁或者说中间表示，将seen类的知识迁移到unseen类，教会模型”举一反三“。而这个语义嵌入层具体会是对类别的一些描述，具体可能会是人工定义的属性或者词向量等语义表示。
一般的，模型包括以下几个部分：（图1）
文章 Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer中描述了ZSL的两种类型：
Direct attribute prediction (DAP)
Indirect attribute prediction (IAP)
后续论文的创新主要建立在图1各个模块上的改进和创新，以及对上述文献中DAP模型的不足之处的改进：
Movtivation/Contribution：
其他模型依赖于额外的辅助信息（属性、词向量等）来建立seen类和unseen类之间的迁移——用每个类的类中心（KNN）/类均值（NCM）来取代ZSL中对于每个类的语义描述，然后学习一个度量，使得它们在seen和unseen类间共享，达到迁移的效果。
不要类别语义信息！！
Movtivation/Contribution：
线性映射，从特征空间到语义空间的映射。
Movtivation/Contribution：
1. 由于 属性分类器是独立于最终任务学习的，它们在预测属性方面可能是**的，但在预测类方面不一定是** 的；
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/58486.html