用于广义零样本学习的双向映射耦合 GAN
计算机视觉与模式识别
2021-02-22 v2
摘要
基于双向映射的广义零样本学习（GZSL）方法依赖于合成特征的质量来识别可见与不可见数据。因此，学习可见-不可见域的联合分布并保持域区分对这些方法至关重要。然而，现有方法仅学习可见数据的底层分布，尽管在 GZSL 问题设定中不可见类语义是可用的。多数方法忽略保留域区分并使用所学分布识别可见与不可见数据。因此，它们表现不佳。在这项工作中，我们利用可用的不可见类语义与可见类语义，并通过强视觉-语义耦合学习联合分布。我们通过将耦合生成对抗网络扩展为双域学习的双向映射模型，提出了双向映射耦合生成对抗网络（BMCoGAN）。我们进一步集成 Wasserstein 生成对抗优化以监督联合分布学习。我们设计了一种损失优化，用于在合成特征中保留域区分信息并减少对可见类的偏置，其将合成可见特征推向真实可见特征，并将合成不可见特征拉离真实可见特征。我们在基准数据集上评估 BMCoGAN，并展示了相较当代方法的优越性能。
引用
@article{arxiv.2012.15054,
title = {Bidirectional Mapping Coupled GAN for Generalized Zero-Shot Learning},
author = {Tasfia Shermin and Shyh Wei Teng and Ferdous Sohel and Manzur Murshed and Guojun Lu},
journal= {arXiv preprint arXiv:2012.15054},
year = {2021}
}