多类非对抗图像合成及其在极小样本分类中的应用
计算机视觉与模式识别
2020-12-02 v2 机器学习
摘要
合成图像的生成目前由生成对抗网络（GANs）主导。尽管其在生成逼真图像方面取得卓越成功，仍存在一些主要缺陷，包括不稳定且高度敏感的训练过程、模式崩溃与模式混合，以及对大规模训练集的依赖。本工作中我们提出一种新颖的非对抗生成方法——潜在空间聚类优化（COLA），其克服了GANs的一些局限，并在训练数据稀缺时优于GANs。在完整数据情形下，我们的方法能够在无监督条件下生成多样的多类图像，在图像质量与多样性方面超越以往的非对抗方法。在小数据情形下，仅有少量带标签图像可用于训练且无法获取额外无标签数据，我们的结果超越了在相同数据量上训练的最先进GAN模型。最后，当利用我们的模型增广小数据集时，我们在具有挑战性的数据集（包括CIFAR-10、CIFAR-100、STL-10和Tiny-ImageNet）上的小样本分类任务中超越了最先进性能。文中给出了支撑该方法本质的理论分析。
引用
@article{arxiv.2011.12942,
title = {Multiclass non-Adversarial Image Synthesis, with Application to Classification from Very Small Sample},
author = {Itamar Winter and Daphna Weinshall},
journal= {arXiv preprint arXiv:2011.12942},
year = {2020}
}