缓解生成式零样本学习中的特征混淆
计算机视觉与模式识别
2019-09-18 v1 多媒体
摘要
近来，生成对抗网络（GANs）已成功应用于零样本学习（ZSL）并取得了最先进的性能。通过合成虚拟的未见视觉特征，基于 GAN 的方法将具挑战性的 ZSL 任务转化为监督学习问题。然而，基于 GAN 的 ZSL 方法不得不在已见类别上训练生成器，并进一步将其应用于未见实例。此种范式的一个不可避免的问题是，合成的未见特征易于偏向已见参照，且无法反映真实未见实例的新颖性与多样性。简而言之，合成的特征是混淆的。利用合成特征无法区分未见类别与已见类别。结果，合成特征过于细微，在涉及测试阶段同时包含已见与未见类别的广义零样本学习（GZSL）中难以被分类。在本文中，我们首先引入特征混淆问题。然后，我们提出一种新的特征生成网络，名为缓解特征混淆 GAN（AFC-GAN），以应对该问题。具体而言，我们提出一种边界损失，其最大化已见类别与未见类别之间的决策边界。此外，提出一种名为特征混淆分数（FCS）的新度量来量化特征混淆。在五个广泛使用的数据集上的大量实验验证了我们的方法能够在 ZSL 与 GZSL 协议下均优于先前的最先进方法。
引用
@article{arxiv.1909.07615,
title = {Alleviating Feature Confusion for Generative Zero-shot Learning},
author = {Jingjing Li and Mengmeng Jing and Ke Lu and Lei Zhu and Yang Yang and Zi Huang},
journal= {arXiv preprint arXiv:1909.07615},
year = {2019}
}
备注
Our codes can be found at github.com/lijin118/AFC-GAN