用于广义零样本学习的双重对抗语义一致网络
计算机视觉与模式识别
2019-07-15 v1
摘要
广义零样本学习（GZSL）是一类具有挑战性的视觉与知识迁移问题，其中测试阶段同时出现已见类与未见类。现有 GZSL 方法要么在嵌入阶段遭受语义损失并丢弃判别信息，要么无法保证视觉-语义交互。为解决这些局限，我们提出双重对抗语义一致网络（DASCN），其在统一框架中为 GZSL 学习原始与对偶生成对抗网络（GANs）。具体而言，原始 GAN 学习从已见/未见类的语义表示以及由对偶 GAN 重构的表示中，合成具有类间判别性与语义保持的视觉特征。对偶 GAN 通过语义一致对抗学习迫使合成视觉特征良好表示先验语义知识。据我们所知，这是首个为 GZSL 采用新颖双 GAN 机制的工作。大量实验表明，我们的方法相比最先进方法取得了显著改进。
引用
@article{arxiv.1907.05570,
title = {Dual Adversarial Semantics-Consistent Network for Generalized Zero-Shot Learning},
author = {Jian Ni and Shanghang Zhang and Haiyong Xie},
journal= {arXiv preprint arXiv:1907.05570},
year = {2019}
}
备注
10 pages, 5 figures,