少样本学习

人工智能在很多领域都得到了迅速发展,但现有方法需要在大量的数据中学习先验知识.为了进一步缩小人工智能与人类差距,使其可以从少量的监督信息中学习,获得在新任务上的泛化能力,出现了少样本学习方法.少样本学习的目的是利用少量的有标签样本学习一个分类器,对未知的类进行识别.本文对少样本学习方法的概念和应用场景进行了概述,讨论了诸如半监督学习、数据不平衡学习、迁移学习和元学习之类的相关学习问题与少样本学习间的关联.本文对主流少样本学习方法进行了系统的介绍,通过全面比较将其归类为不同类别.最后,展示了一些主流少样本学习方法在分类任务上的实验结果并加以分析.

基于语义对齐和重构的零样本学习算法

为同时缓解零样本学习算法中固有的枢纽问题和域漂移问题,提出一种基于语义对齐和重构的零样本学习算法。以语义特征嵌入到图像空间的神经网络映射模型为基础,对模型添加语义原型和图像原型对齐的约束条件进一步缓解高维向量枢纽问题对标签预测的影响;对模型添加语义特征重构建的约束条件,缓解域漂移问题对识别正确率的影响。实验结果表明,所提算法在AwA和CUB数据集上达到了较优的识别正确率,验证了其有效性。