用于零样本学习的特征生成网络
计算机视觉与模式识别
2018-04-13 v2
摘要
由于可见类与不可见类之间极端的训练数据不平衡，大多数现有最优方法在具有挑战性的广义零样本学习任务中未能取得满意结果。为规避对不可见类标注样本的需求，我们提出一种新颖的生成对抗网络（GAN），其以类级语义信息为条件合成 CNN 特征，提供从类的语义描述符到类条件特征分布的直接捷径。我们提出的方法将 Wasserstein GAN 与分类损失配对，能够生成足够具判别力的 CNN 特征以训练 softmax 分类器或任意多模态嵌入方法。我们的实验结果表明，在零样本学习与广义零样本学习两种设定下，于 CUB、FLO、SUN、AWA 与 ImageNet 五个挑战性数据集上，准确率较最先进水平有显著提升。
引用
@article{arxiv.1712.00981,
title = {Feature Generating Networks for Zero-Shot Learning},
author = {Yongqin Xian and Tobias Lorenz and Bernt Schiele and Zeynep Akata},
journal= {arXiv preprint arXiv:1712.00981},
year = {2018}
}
备注
2018 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)