提升生成式零样本学习能力，视觉增强动态语义原型方法入选CVPR 2024

AIGC动态欢迎阅读

原标题：提升生成式零样本学习能力，视觉增强动态语义原型方法入选CVPR 2024
关键字：样本,视觉,语义,特征,生成器
文章来源：机器之心
内容字数：6782字

内容摘要：

机器之心专栏
机器之心编辑部虽然我从来没见过你，但是我有可能「认识」你 —— 这是人们希望人工智能在「一眼初见」下达到的状态。
为了达到这个目的，在传统的图像识别任务中，人们在带有不同类别标签的大量图像样本上训练算法模型，让模型获得对这些图像的识别能力。而在零样本学习（ZSL）任务中，人们希望模型能够举一反三，识别在训练阶段没有见过图像样本的类别。
生成式零样本学习（GZSL）是实现零样本学习的一种有效方法。在生成式零样本学习中，首先需要训练一个生成器来合成未见类的视觉特征，这个生成过程是以前面提到的属性标签等语义描述为条件驱动的。有了生成的视觉特征作为样本，就可以像训练传统的分类器一样，训练出可以识别未见类的分类模型。
生成器的训练是生成式零样本学习算法的关键，理想状态下，生成器根据语义描述生成的某个未见类的视觉特征样本，应与此类别真实样本的视觉特征具有相同的分布。
在现有的生成式零样本学习方法中，生成器在被训练和使用时，都是以高斯噪声和类别整体的语义描述为条件的，这限制了生成器只能针对整个类别进行优化，而不是描述每个样本实例，所以难以准确反映真实样本视觉特征的分布，导致模型的泛化性

原文链接：提升生成式零样本学习能力，视觉增强动态语义原型方法入选CVPR 2024