【ICCV 2019 Workshop】Adaptive Confidence Smoothing for Generalized Zero-Shot Learning， 巴伊兰大学 Yuval Atzmon

报告主题：Adaptive Confidence Smoothing for Generalized Zero-Shot Learning

报告摘要：如果提供了类别的文本描述，则人们无需任何视觉样本就可以学会识别新的物体类别，这项任务称为零样本学习（ZSL）。当此类零样本与通过许多示例学习的类混合在一起时，他们甚至可以成功完成此任务，这一任务称为广义ZSL（GZSL）。但是，当前的深层网络模型难以解决这些任务。我们在这里处理GZSL。我们描述了一种概率方法，该方法将模型分为三个模块化组件，然后以一致的方式将它们组合在一起。具体来说，我们的模型由三个分类器组成：一个“选通”模型，可以从一个“可见”类中进行软件决策，以及两个专家：一个ZSL专家和一个针对可见类的专家模型。我们用这种方法解决两个主要难题：如何提供准确的选通概率估计，而无需为看不见的课程提供任何训练样本；以及在观察其域外的样本时如何使用专家预测。我们在四个GZSL基准数据集上测试了我们的方法，自适应置信度平滑（COSMO），发现它在很大程度上优于最新的GZSL模型。 COSMO还是第一个缩小差距并超越GZSL生成模型（即使是轻量级模型）的性能的模型，该模型更容易训练和调整。