基于堆叠对抗网络的零样本草图图像检索
计算机视觉与模式识别
2020-01-22 v1 信息检索
机器学习
机器学习
摘要
基于草图的图像检索（SBIR）的传统方法假设所有类别的数据在训练时均可用。该假设未必总是实用，因为少数类别的数据可能不可用，或这些类别在训练时可能未出现。零样本草图图像检索（ZS-SBIR）放宽了这一约束，允许算法在测试时处理先前未见过的类别。本文提出一种基于堆叠对抗网络（SAN）与孪生网络（SN）优势的 generative 方法用于 ZS-SBIR。SAN 生成高质量样本，而 SN 相比最近邻搜索学习到更好的距离度量。生成模型基于草图合成图像特征的能力将 SBIR 问题化简为图像到图像检索问题。我们在 TU-Berlin 与 Sketchy 数据库上以标准 ZSL 与广义 ZSL 设定评估了所提方法的有效性。所提方法在标准 ZSL 以及更具挑战性的广义 ZSL 设定（GZSL）下的 SBIR 中均取得显著改进。
引用
@article{arxiv.2001.06657,
title = {Stacked Adversarial Network for Zero-Shot Sketch based Image Retrieval},
author = {Anubha Pandey and Ashish Mishra and Vinay Kumar Verma and Anurag Mittal and Hema A. Murthy},
journal= {arXiv preprint arXiv:2001.06657},
year = {2020}
}
备注
Accepted in WACV'2020