Synthesize-It-Classifier：通过循环自分析学习生成式分类器
计算机视觉与模式识别
2021-03-29 v1
摘要
本工作中，我们通过大规模合成高分辨率、照片级真实且多样的图像，展示了图像分类器网络的生成能力。该总体方法称为Synthesize-It-Classifier（STIC），其不需要显式的生成器网络来估计数据分布密度并从中采样，而是利用分类器对边界的知识，针对类logits执行梯度上升，随后借助Gram矩阵Metropolis调整Langevin算法（GRMALA）在空白画布上绘制以合成图像。训练期间，分类器迭代地将这些合成图像作为假样本，并以循环方式重新估计类边界，从而同时提升分类精度与合成图像质量。STIC表明，硬假样本（即由独热类条件合成的样本）与软假样本（由类的凸组合合成，即类的混合）的混合改善了类插值。我们展示了Attentive-STIC网络，其在具有数千类的ImageNet数据集上迭代绘制合成图像。此外，我们引入使用类条件分数分类器（Score-STIC）替代普通图像分类器的合成方式，并在多个真实数据集（即ImageNet、LSUN和CIFAR 10）上展示了改进结果。
引用
@article{arxiv.2103.14212,
title = {Synthesize-It-Classifier: Learning a Generative Classifier through RecurrentSelf-analysis},
author = {Arghya Pal and Rapha Phan and KokSheik Wong},
journal= {arXiv preprint arXiv:2103.14212},
year = {2021}
}