f-VAEGAN-D2：一种用于任意样本学习的特征生成框架
计算机视觉与模式识别
2019-03-26 v1
摘要
当标记训练数据稀缺时，一个有前景的数据增强方法是利用未知类的属性生成其视觉特征。为了学习 CNN 特征的类条件分布，这些模型依赖于图像特征与类属性的配对。因此，它们无法利用大量未标记数据样本。在本文中，我们在一个统一的、在归纳与直推学习设置下均适用的特征生成框架中处理任意样本学习问题，即零样本与少样本学习。我们开发了一种条件生成模型，该模型结合了 VAE 与 GAN 的优势，并通过一个无条件判别器学习未标记图像的边际特征分布。我们经实验表明，我们的模型为五个数据集（即 CUB、SUN、AWA 和 ImageNet）学习了高度判别性的 CNN 特征，并在任意样本学习（即归纳与直推（广义）零样本和少样本学习设置）中确立了新的 state-of-the-art。我们还证明我们学习的特征是可解释的：我们通过将其反演回像素空间来可视化它们，并通过生成文本论据来解释它们为何与某一标签相关联。
引用
@article{arxiv.1903.10132,
title = {f-VAEGAN-D2: A Feature Generating Framework for Any-Shot Learning},
author = {Yongqin Xian and Saurabh Sharma and Bernt Schiele and Zeynep Akata},
journal= {arXiv preprint arXiv:1903.10132},
year = {2019}
}
备注
Accepted at CVPR 2019