利用特征对比将半监督生成对抗网络推广至回归问题
机器学习
2019-09-05 v3 计算机视觉与模式识别
机器学习
摘要
在本工作中,我们将半监督生成对抗网络(GANs)从分类问题推广到回归问题。过去几年中,利用半监督训练改进神经网络训练的重要性已在分类问题上得到证明。我们提出一种称为特征对比的新损失函数,由此得到可基于特征统计区分真假数据的判别器。该方法避免了替代方法的潜在偏倚与局限。将半监督 GANs 推广至回归问题领域,开启了其无数应用的可能,并提供了深入理解 GANs 运作机制的途径。我们首先在一个玩具数据集上展示半监督回归 GANs 的能力,该数据集有助于详细理解其在各种情形下的运作方式。此玩具数据集被用于提供半监督回归 GAN 的理论基础。我们随后将半监督回归 GANs 应用于若干真实世界计算机视觉任务:年龄估计、驾驶转向角预测以及单图像人群计数。我们就在标注数据大幅减少时可达到的精度进行了广泛测试。通过理论示例与真实场景的结合,我们展示了半监督 GANs 如何被推广至回归问题。
引用
@article{arxiv.1811.11269,
title = {Generalizing semi-supervised generative adversarial networks to regression using feature contrasting},
author = {Greg Olmschenk and Zhigang Zhu and Hao Tang},
journal= {arXiv preprint arXiv:1811.11269},
year = {2019}
}