隐藏的学霸之魂:Zero-Shot Learning如何打破“零起点”的封印?(2)
一是ZSL的效果依赖于相似模态的信息。在训练时如果训练集和测试集的类别相差太大,比如一个里面全是动物,另一个里面全是家居,这时让ZSL分析二者的映射关系就太困难了,就很容易出现属性漂移的“强偏”问题,难以预测出正确的结果,导致ZSL的性能表现大打折扣。 二是缺乏足量的专业定义和描述。ZSL虽然不需要大量的图像数据集,但需要进行特征描述。这方面人工比机器分类效果更好。但目前还缺乏足够的专业人员进行协助,NLP自身的发展也尚不足以满足ZSL的需要,使得整体进程相对缓慢。 这些桎梏不解决,ZSL即便具备从零起点到学霸的潜力,也只能入宝山而空回,被不如它的算法抢走工作机会。 回顾一年来CV技术的产业化进程,算得上是红红火火恍恍惚惚。 我们可以想象,未来一两年,从个人智能终端到城市的眼睛,机器视觉将无处不在。 一面是应用场景百花齐放异常火热,一面像ZSL这样的潜力股又处在相对停滞的状态,核心问题都没能取得突破性的进展。 在新年这样承前启后的阶段,或许是时候给ZSL许一个未来了。 更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App (编辑:ASP站长网) |