基于知识图的生成对抗零样本学习
计算机视觉与模式识别
2020-04-08 v1
摘要
零样本学习（ZSL）旨在处理对无标注训练数据的未见类的预测。近来，生成对抗网络（GANs）等生成方法因其高准确率、泛化能力等优点在ZSL中被广泛研究。然而，当前所使用的类的侧信息局限于文本描述与属性标注，缺乏类的语义。本文提出一种名为KG-GAN的新生成式ZSL方法，将知识图（KG）中的丰富语义融入GANs。具体而言，我们基于图神经网络，并从类视图与属性视图（考虑KG的不同语义）对KG进行编码。在获得每个节点（代表一个视觉类别）的良好学习的语义嵌入后，我们利用GANs为未见类合成具有说服力的视觉特征。基于多个图像分类数据集的评估表明，KG-GAN优于当前最优基线。
引用
@article{arxiv.2004.03109,
title = {Generative Adversarial Zero-shot Learning via Knowledge Graphs},
author = {Yuxia Geng and Jiaoyan Chen and Zhuo Chen and Zhiquan Ye and Zonggang Yuan and Yantao Jia and Huajun Chen},
journal= {arXiv preprint arXiv:2004.03109},
year = {2020}
}
备注
under review