多标签零样本学习知识迁移集成分类方法

摘要

在多标签零样本学习中，防止模型对可见类别过拟合，提升对不可见类的泛化识别能力是一个显著的挑战.受集成学习具有良好泛化性的启发，本文提出了一种知识迁移集成分类头方法.该方法将单次训练过程分为多个周期，使识别特定类别的共享知识从标准图像分类头的特征空间中解耦并分配至多个分类头中，而标准图像分类头的特征空间中识别可见类的基础知识得以保留，进而实现有效识别可见类别的同时，增强对不可见类别的泛化识别能力.该集成分类头可方便地移植到几乎所有的多标签零样本学习模型中，因而其与现有的多标签零样本学习模型的分类头正交，显示出高度的灵活性与鲁棒性.通过分析分类头对识别类别的置信度，揭示了对可见类过拟合的潜在原因，即现有多标签零样本学习方法的分类头受可见类的基础知识的影响，限制了共享知识的有效学习.本方法在两个大规模多标签零样本基准上进行了广泛性实验，证明了本方法的有效性.

关键词

多标签零样本学习 / 知识迁移 / 集成学习 / 过拟合