Generalized 0-shot learning in image classification: with the quasi-fully supervised method and variants

Abstract

In this work we explore the generalized zero-shot problem in image classification specifically to address the primary problem in this setting, the domain shift, by which, naive models are biased to predict images in inference mode towards the seen classes. There exists a variety of methods addressing the problem in various settings. In this work, the quasi-fully supervised approach is explored, along with variations in combination with the EfficientNet, for producing visual features, to test if various biases toward unseen classes have an improving effect on their prediction.

Σε αυτήν τη δουλειά εξερευνούμε το γενικευμένο πρόβλημα μάθησης χωρίς παραδείγματα εκπαίδευσης στην κατηγοριοποίηση εικόνας, αντιμετωπίζοντας το βασικότερο πρόβλημα στο πλαίσιο αυτό, τη μετατόπιση πεδίου, βάσει της οποίας απλά μοντέλα μεροληπτούν υπέρ των φανερών κλάσεων. Υπάρχει μια πληθώρα μεθόδων που αντιμετωπίζουν το πρόβλημα σε διάφορα πλαίσια. Εδώ επικεντρωνόμαστε στην μέθοδο της σχεδόν-πλήρους επιβλεπόμενης μάθησης και παραλλαγές αυτής, με χρήση του EfficientNet για την παραγωγή οπτικών χαρακτηριστικών, ώστε να ελεγχθεί αν η χρήση μεροληψίας προς τις κρυφές κλάσεις βελτιώνει την απόδοση του συνολικού μοντέλου.