用于广义零样本学习的生成式对偶对抗网络
计算机视觉与模式识别
2019-05-28 v4
摘要
本文研究广义零样本学习问题，该问题要求模型在一些可见类的图像-标签对上训练，并在对来自可见类与未见类的新图像进行分类的任务上测试。大多数先前模型试图学习视觉与语义空间之间固定的单向映射，而一些近期提出的生成式方法试图为未见类生成图像特征，从而使零样本学习问题变为传统的全监督分类问题。本文中，我们提出一种新颖模型，为三种不同方法提供统一框架：视觉→语义映射、语义→视觉映射以及度量学习。具体而言，我们提出的模型由一个特征生成器（以类嵌入为输入生成多种视觉特征）、一个回归器（将每个视觉特征映射回其对应类嵌入）以及一个判别器（学习评估图像特征与类嵌入的接近程度）组成。所有三个组件均在循环一致性损失与对偶对抗损失的组合下训练。实验结果表明，我们的模型不仅在可见类图像分类上保持更高准确率，在未见类图像分类上也优于现有的state-of-the-art模型。
引用
@article{arxiv.1811.04857,
title = {Generative Dual Adversarial Network for Generalized Zero-shot Learning},
author = {He Huang and Changhu Wang and Philip S. Yu and Chang-Dong Wang},
journal= {arXiv preprint arXiv:1811.04857},
year = {2019}
}