提升零样本学习精度：间接域适应特征生成的FG-IDAS方法

本文主要探讨了"基于间接域适应特征生成的直推式零样本学习方法"这一主题，它发表在《软件学报》(Journal of Software)2022年第11期，由黄晟、杨万里等人合作完成。零样本学习是近年来机器学习和计算机视觉领域的重要研究热点，其目标是在没有直接训练实例的情况下，通过已知类别的知识迁移到未知类别，以提升识别精度。 传统归纳式零样本学习方法试图通过构建语义与视觉的映射关系，实现类别间的知识迁移。然而，这类方法面临一个挑战，即可见类和未见类之间的映射域漂移问题，即两个域（如语义和视觉）之间的特征分布差异。为解决这个问题，论文提出了直推式零样本学习方法，这种方法在训练过程中引入未标注的未见类数据进行无监督的域适应，以减少这种漂移。 然而，研究者观察到，直接在视觉空间同时进行语义映射和域适应的直推式方法可能存在“相互制衡”现象，即两个核心环节可能无法协同优化，导致性能受限。为解决这个问题，他们提出了FG-ID A (Feature Generation with Indirect Domain Adaptation)方法。FG-ID A 通过将语义映射和域适应过程序列化，让它们在不同的特征空间独立进行优化，这样可以最大化每个步骤的效果，从而显著提高零样本识别的准确性和鲁棒性。 实验结果显示，FG-ID A 模型在包括CUB、AWA1、AWA2和SUN在内的四个标准数据集上表现出优于其他直推式学习方法的性能，并且在AWA1、AWA2和CUB数据集上达到了当前最先进的状态。为了进一步验证理论分析，作者进行了详尽的消融实验，通过与直接域适应方法的对比，证实了直推式零样本学习中存在“相互制衡”问题以及间接域适应策略的有效性。 本文提出的FG-ID A 方法为零样本学习提供了一个有效的新途径，通过优化特征生成和域适应的分离处理，提升了零样本识别的性能，对于推动零样本学习领域的研究具有重要意义。