通过交替反向传播学习特征到特征翻译器用于生成式零样本学习
计算机视觉与模式识别
2019-11-12 v3
摘要
我们研究通过交替反向传播学习特征到特征翻译器网络，作为零样本学习（ZSL）问题的通用解决方案。这是一个基于生成模型的 ZSL 框架。与基于生成对抗网络（GAN）或变分自编码器（VAE）需要辅助网络协助训练的模型不同，我们的模型由一个单一的条件生成器组成，该生成器将类级语义特征和表征实例级潜在因子的高斯白噪声向量映射到视觉特征，并通过最大似然估计进行训练。训练过程是一个简单而有效的交替反向传播过程，迭代以下两个步骤：（i）推断反向传播以推断每个观测样本的潜在因子，以及（ii）学习反向传播以更新模型参数。我们表明，经过轻微修改，我们的模型能够从不完整的视觉特征中学习用于 ZSL。我们在五个基准上与现有生成式 ZSL 方法进行了广泛比较，证明了我们的方法不仅在 ZSL 性能上，而且在收敛速度和计算成本上都具优越性。具体而言，在 ZSL 和广义 ZSL 设定下，我们的模型分别以高达 3.1% 和 4.0% 的显著优势超越现有最先进方法。
引用
@article{arxiv.1904.10056,
title = {Learning Feature-to-Feature Translator by Alternating Back-Propagation for Generative Zero-Shot Learning},
author = {Yizhe Zhu and Jianwen Xie and Bingchen Liu and Ahmed Elgammal},
journal= {arXiv preprint arXiv:1904.10056},
year = {2019}
}
备注
accepted to ICCV'19