基于潜层向量对齐的持续零样本学习算法

作者：钟小容; 胡晓^*; 丁嘉昱

来源：模式识别与人工智能, 2021, 34(12): 1152-1159.

DOI：10.16451/j.cnki.issn1003-6059.202112008

• 持续零样本学习
• 灾难性遗忘
• 潜层向量对齐
• 选择性再训练

在持续学习多任务过程中,持续零样本学习旨在积累已见类知识,并用于识别未见类样本.然而,在连续学习过程中容易产生灾难性遗忘,因此,文中提出基于潜层向量对齐的持续零样本学习算法.基于交叉分布对齐变分自编码器网络框架,将当前任务与已学任务的视觉潜层向量对齐,增大不同任务潜层空间的相似性.同时,结合选择性再训练方法,提高当前任务模型对已学任务判别能力.针对不同任务,采用已见类视觉-隐向量和未见类语义-隐向量训练独立的分类器,实现零样本图像分类.在4个标准数据集上的实验表明文中算法能有效实现持续零样本识别任务,缓解算法的灾难性遗忘.

• 单位
  广州大学