用于零样本学习的双向对抗自编码器
计算机视觉与模式识别
2018-11-21 v1
摘要
现有的生成式零样本学习（ZSL）方法仅考虑从类别语义到视觉特征的单向对齐，而忽略了从视觉特征到类别语义的对齐，未能很好地构建视觉-语义交互。本文提出基于自编码器框架合成视觉特征，并为视觉与语义模态分别配对双向对抗网络，以双向对齐强化视觉-语义交互，从而确保合成的视觉特征既符合真实视觉分布又与语义高度相关。编码器旨在合成类真视觉特征，而解码器迫使真实与合成视觉特征均与类别语义更相关。为进一步捕捉合成视觉特征的判别信息，真实与合成视觉特征均通过分类网络被强制分类至正确类别。在四个基准数据集上的实验结果表明，所提方法在传统 ZSL 与广义 ZSL 任务上均尤其具有竞争力。
引用
@article{arxiv.1811.08103,
title = {Bi-Adversarial Auto-Encoder for Zero-Shot Learning},
author = {Yunlong Yu and Zhong Ji and Yanwei Pang and Jichang Guo and Zhongfei Zhang and Fei Wu},
journal= {arXiv preprint arXiv:1811.08103},
year = {2018}
}