ProtoGAN：面向动作识别的小样本学习
计算机视觉与模式识别
2019-09-18 v1
摘要
动作识别的小样本学习（FSL）是一项具有挑战性的任务，旨在识别训练数据中仅有少量实例表示的新动作类别。在更广义的 FSL 设定（G-FSL）中，已见动作类别与新动作类别均需被识别。常规分类器在 FSL 设定下因数据不足而表现不佳，且在 G-FSL 设定下对已见动作类别存在固有偏置。本文通过提出一种新颖的 ProtoGAN 框架来解决该问题，该框架以类原型向量为条件对条件生成对抗网络进行调节，从而为新类别合成额外样本。这些类原型向量使用类原型迁移网络（CPTN）从已见类别的示例中学习得到。我们为新类别合成的样本在语义上与该类别的真实样本相似，并用于训练对新类别具有更好泛化能力的模型。我们在 UCF101、HMDB51 和 Olympic-Sports 三个数据集上进行了大量实验以支持我们的主张。据我们所知，我们首次报告了 G-FSL 的结果，并为未来研究提供了强有力的基准。在所有上述数据集上，我们的 FSL 性能也优于最先进的方法。
引用
@article{arxiv.1909.07945,
title = {ProtoGAN: Towards Few Shot Learning for Action Recognition},
author = {Sai Kumar Dwivedi and Vikram Gupta and Rahul Mitra and Shuaib Ahmed and Arjun Jain},
journal= {arXiv preprint arXiv:1909.07945},
year = {2019}
}
备注
9 pages, 5 tables, 2 figures. To appear in the proceedings of ICCV Workshop 2019