一种用于无监督少样本物体识别的自监督 GAN
计算机视觉与模式识别
2020-10-21 v2
摘要
本文处理无监督少样本物体识别问题，其中所有训练图像均无标签，测试图像被划分为查询图像与每类感兴趣物体的少量带标签支撑图像。训练与测试图像不共享物体类别。我们将原始 GAN 扩展以两种损失函数，均面向自监督学习。其一是重建损失，强制判别器重建用于生成“假”图像的概率采样潜码。其二是三元组损失，强制判别器输出对更相似图像更为接近的图像编码。在少样本分类背景下进行了评估、比较与详细消融研究。我们的方法在 Mini-Imagenet 与 Tiered-Imagenet 数据集上显著优于当前最优（SOTA）。
引用
@article{arxiv.2008.06982,
title = {A Self-supervised GAN for Unsupervised Few-shot Object Recognition},
author = {Khoi Nguyen and Sinisa Todorovic},
journal= {arXiv preprint arXiv:2008.06982},
year = {2020}
}
备注
To be appeared in ICPR 2020