半少样本属性迁移
计算机视觉与模式识别
2019-10-17 v2
摘要
近期的研究在用于属性迁移应用的图像到图像翻译中显示出显著成功。然而，大多数现有方法基于深度学习，并需要大量标注数据以产生良好结果，从而限制了其适用性。同样，元学习的最新进展已在有限可用数据下实现成功应用，使得所谓的少样本学习成为可能。在本文中，我们通过提出一种基于 GAN 的新方法来解决监督方法的这一局限。这些 GAN 以元训练方式训练，使它们仅使用来自新目标类的少量标注样本即可执行图像到图像翻译。本工作通过经验证明了训练 GAN 用于少样本图像到图像翻译在发色属性合成任务上的潜力，为生成式迁移学习的进一步研究打开了大门。
引用
@article{arxiv.1910.03240,
title = {Semi Few-Shot Attribute Translation},
author = {Ricard Durall and Franz-Josef Pfreundt and Janis Keuper},
journal= {arXiv preprint arXiv:1910.03240},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1904.04232, arXiv:1901.02199 by other authors