基于语义类结构迁移特征生成网络的零样本学习
计算机视觉与模式识别
2019-12-11 v2
摘要
特征生成网络面临的最重要问题是生成特征与真实数据之间分布的不拟合差异（不一致）。在零样本学习（ZSL）中，可见类的训练样本与不可见类的测试样本互不相交，这种不一致进一步影响网络模型性能。在泛化零样本学习（GZSL）中，测试样本来自可见类与不可见类，更贴近实际情况。因此，多数特征生成网络难以通过对语义类分布进行对抗学习在具挑战性的 GZSL 上获得满意性能。为缓解该不一致对 ZSL 与 GZSL 的负面影响，提出具有语义类结构的迁移特征生成网络（TFGNSCS）以构建网络模型，提升 ZSL 与 GZSL 性能。TFGNSCS 不仅考虑可见类与不可见类间的语义结构关系，还通过在网络中从可见类向不可见类迁移分类模型信息来学习生成特征的差异。所提方法可整合迁移损失、分类损失与 Wasserstein 距离损失以生成足够的 CNN 特征，并基于这些特征训练 softmax 分类器用于 ZSL 与 GZSL。实验表明，在 CUB、FLO、SUN、AWA 四个具挑战性数据集的 GZSL 上，TFGNSCS 性能优于现有最优方法。
引用
@article{arxiv.1903.02204,
title = {Transfer feature generating networks with semantic classes structure for zero-shot learning},
author = {Guangfeng Lin and Wanjun Chen and Kaiyang Liao and Xiaobing Kang and Caixia Fan},
journal= {arXiv preprint arXiv:1903.02204},
year = {2019}
}