基于 VAE 条件生成流的广义零样本学习
计算机视觉与模式识别
2020-09-02 v1
摘要
广义零样本学习(GZSL)旨在通过将知识从语义描述迁移到视觉表征来识别可见与不可见类别。近期的生成式方法将 GZSL 表述为缺失数据问题，主要采用 GAN 或 VAE 来生成不可见类的视觉特征。然而，GAN 常受不稳定之苦，而 VAE 只能优化观测数据对数似然的下界。为克服上述局限，我们诉诸生成流——一类具有精确似然估计优势的生成模型。更具体地，我们提出了一种用于 GZSL 的生成流条件版本，即 VAE 条件生成流(VAE-cFlow)。通过 VAE，语义描述被首先编码为易处理的潜变量分布，生成流以之为条件优化观测视觉特征的精确对数似然。我们通过 i) 采用 VAE 重构目标，ii) 解除 VAE 后验正则化中的零均值约束，以及 iii) 在潜变量上添加分类正则化，来确保条件潜变量分布既具语义意义又具类间判别性。我们的方法在五个知名基准数据集上取得了最先进的 GZSL 结果，尤其在大规模设定下提升显著。代码发布于 https://github.com/guyuchao/VAE-cFlow-ZSL。
引用
@article{arxiv.2009.00303,
title = {Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow},
author = {Yu-Chao Gu and Le Zhang and Yun Liu and Shao-Ping Lu and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2009.00303},
year = {2020}
}