零样本图像分类综述
2021-05-14刘靖祎史彩娟涂冬景
刘靖祎,史彩娟+,涂冬景,刘 帅
1.华北理工大学人工智能学院,河北唐山063210
2.深圳大学电子与信息工程学院,广东深圳518060
深度学习的飞速发展得益于丰富的人工标注数据,监督式学习与深度学习相结合的方法在图像分类等领域效果突出,许多基于深度学习的监督学习模型被提出,如ResNet[1]、DenseNet[2]、ArcFace[3]等。然而,现实中大量样本是没有标签的,标注训练样本需要昂贵的人工成本;有些场景很难获取样本,仅有少量训练样本甚至没有训练样本。
研究发现人类可以辨识大概30 000 个对象类别的信息[4],同时人类拥有知识迁移能力,在学习新事物时可以将过去学习存储的知识迁移到新事物。因此,人们提出了零样本学习(zero-shot learning,ZSL)概念。零样本,即无训练样本,零样本学习旨在让深度学习模型能够识别没有训练过的新类别[5]。2008年Larochelle 等人[6]针对字符学习提出了一种零样本学习方法。2009 年Palatucci 等人[7]正式提出了零样本学习(ZSL)概念。Lampert 等人[8]提出了基于属性的类间迁移学习的经典零样本学习算法和广泛应用于零样本学习的AWA(animals with attributes)数据集。Chao 等人[9]认为零样本学习在测试阶段不应当只区分不可见类,应该将训练过程中学习到的可见类与不可见类一同进行识别,因此,提出了广义零样本学习(generalized zero-shot learning,GZSL)。不同于零样本学习方法,广义零样本学习设置了一个更贴近现实的场景,在测试时测试样本包含了可见类和不可见类。由于可见类和不可见类之间类别不平衡以及零样本学习模型在分类时存在将不可见类归为可见类的可能性,广义零样本学习为零样本学习带来了新的挑战。……