一种基于生成对抗的从噪声文本进行零样本学习的方法
计算机视觉与模式识别
2018-05-22 v3
摘要
大多数现有零样本学习方法将该问题视为视觉语义嵌入问题。鉴于生成对抗网络(GANs)已被证明能够生成图像，我们转而利用GANs从文本描述中想象未见类别，从而识别未见过的类而无需看到任何样本。具体而言，我们提出了一种简单而有效的生成模型，以关于未见类别的噪声文本描述(如维基百科文章)作为输入，并生成该类别的合成视觉特征。借助增加的伪数据，零样本学习自然转化为传统分类问题。此外，为保持生成特征的类间判别性，提出了一种视觉枢轴正则化作为显式监督。与以往使用复杂人工设计正则化器的方法不同，我们的方法无需额外正则化即可很好地抑制噪声。实证上，我们表明我们的方法在基于文本的零样本学习的最大可用基准上持续优于当前最优(state of the art)方法。
引用
@article{arxiv.1712.01381,
title = {A Generative Adversarial Approach for Zero-Shot Learning from Noisy Texts},
author = {Yizhe Zhu and Mohamed Elhoseiny and Bingchen Liu and Xi Peng and Ahmed Elgammal},
journal= {arXiv preprint arXiv:1712.01381},
year = {2018}
}
备注
To appear in CVPR18