SR-GAN：面向零样本学习的语义校正生成对抗网络
计算机视觉与模式识别
2019-04-22 v1
摘要
现有的零样本学习（ZSL）方法可能会受到类属性模糊的困扰，这些属性在不同类别间高度重叠。与这些忽略类间判别性的方法不同，本文提出通过在视觉空间引导下的语义空间校正来对未见图像进行分类。首先，我们预训练一个语义校正网络（SRN），利用语义损失和校正损失来校正语义空间。然后，构建语义校正生成对抗网络（SR-GAN），从语义特征和校正后的语义特征生成未见类别的合理视觉特征。为保证校正语义特征与合成视觉特征的有效性，提出了前重建与后重建网络，以保持视觉特征与语义特征之间的一致性。实验结果表明，我们的方法在四个基准数据集上显著优于当前最优方法。
引用
@article{arxiv.1904.06996,
title = {SR-GAN: Semantic Rectifying Generative Adversarial Network for Zero-shot Learning},
author = {Zihan Ye and Fan Lyu and Linyan Li and Qiming Fu and Jinchang Ren and Fuyuan Hu},
journal= {arXiv preprint arXiv:1904.06996},
year = {2019}
}
备注
ICME 2019 Oral