点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
针对视觉-语义异构特征难对准的问题,我们提出一种层次视觉-语义层次适应的学习模型,通过同时进行结构对准和分布对准,学习一个具有结构和分布一致性的公共子空间,避免当前学习模型只进行分布对准而造成视觉和语义分布在不同的子流形上,从而有效提高零样本学习识别精度。并为其他visual-language 学习系统进行多模态表示提供了新的研究视野。
本期AI TIME PhD直播间,我们邀请到华中科技大学电信学院2019级博士生——陈使明,为我们带来报告分享《基于层次适应的零样本学习》。
陈使明:
华中科技大学电信学院2019级博士生。他以第一作者在NeurIPS, ICCV, AAAI等人工智能和机器学习领域顶级会议中发表过多篇学术论文。他的主要研究方向是生成建模与学习,零样本学习。指导老师为尤新革教授。
根据生物学家研究表明,人类能够辨别的物体数量多达3万个。然而在机器学习之中,我们很难去收集如此大的数据集去训练一个机器学习模型。此外,我们现实世界的类类别数目会不断增加,直接限制了当前智能模型的学习。
那么,我们如何将机器学习模型从已见类推广到未见类?零样本学习于2008年首次提出。
举例:假设学生们见过马和老虎,但是没有见过斑马。但是老师告诉学生们,斑马是一种较小的马且具有和老虎一样的条纹。那么,学生见到斑马的时候能快速地认出斑马。老师的描述信息,就是我们能够快速获取到的语义信息。
零样本