GTNet：用于零样本目标检测的 generative 迁移网络
计算机视觉与模式识别
2020-01-27 v2
摘要
我们提出一种生成式迁移网络（GTNet）用于零样本目标检测（ZSD）。GTNet 由目标检测模块与知识迁移模块组成。目标检测模块可学习大规模可见域知识。知识迁移模块利用特征合成器生成不可见类特征，用于训练目标检测模块的新分类层。为合成兼具类内方差与 IoU 方差的各类不可见类特征，我们设计了 IoU 感知生成对抗网络（IoUGAN）作为特征合成器，其可轻松集成至 GTNet。具体而言，IoUGAN 由三个单元模型组成：类特征生成单元（CFU）、前景特征生成单元（FFU）与背景特征生成单元（BFU）。CFU 以类语义嵌入为条件生成具类内方差的不可见特征。FFU 与 BFU 将 IoU 方差添加至 CFU 结果，分别产生类特定的前景与背景特征。我们在三个公开数据集上评估了方法，结果表明相较最优 ZSD 方法具有优势。
引用
@article{arxiv.2001.06812,
title = {GTNet: Generative Transfer Network for Zero-Shot Object Detection},
author = {Shizhen Zhao and Changxin Gao and Yuanjie Shao and Lerenhan Li and Changqian Yu and Zhong Ji and Nong Sang},
journal= {arXiv preprint arXiv:2001.06812},
year = {2020}
}
备注
Accepted by AAAI 2020