面向零样本学习的结构感知特征生成
计算机视觉与模式识别
2021-08-17 v1
摘要
零样本学习（ZSL）旨在利用属性嵌入等辅助信息来识别未见类别。尽管已有方法取得了令人鼓舞的结果，但先前的 ZSL 方法侧重于提升已见类特征的判别能力，却在很大程度上忽略了样本与原型的几何结构。由此衍生的基于属性的生成对抗网络（GAN）同样在样本生成中忽视了拓扑信息，并进一步导致在未见类的视觉特征分类上表现不佳。本文提出一种新颖的结构感知特征生成方案，称为 SA-GAN，以在潜空间与生成网络的学习中显式地考虑拓扑结构。具体而言，我们引入约束损失以在学习的判别性潜空间中保持初始几何结构，并利用来自结构感知判别器与重构模块的额外监督信号进行 GAN 训练。前者监督依据样本与类原型的亲和性区分真假样本，后者旨在从生成的潜空间重构原始特征空间。该拓扑保持机制使我们的方法显著增强了在未见类上的泛化能力，从而提升了分类性能。在四个基准上的实验表明，所提方法一致地优于当前最优方法。我们的代码可在补充材料中找到，并将公开可用。
引用
@article{arxiv.2108.07032,
title = {Structure-Aware Feature Generation for Zero-Shot Learning},
author = {Lianbo Zhang and Shaoli Huang and Xinchao Wang and Wei Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:2108.07032},
year = {2021}
}