基于对抗特征残差与紧凑视觉特征的零样本学习
计算机视觉与模式识别
2020-09-01 v1
摘要
近年来，许多零样本学习（ZSL）方法致力于在嵌入特征空间中学习具有判别力的对象特征，然而这些方法所学到的未见类特征分布容易出现部分重叠，导致对象识别不准确。针对该问题，我们提出了一种新颖的对抗网络用于为 ZSL 合成紧凑的语义视觉特征，该网络由残差生成器、原型预测器和判别器组成。残差生成器用于生成视觉特征残差，其与通过原型预测器预测的视觉原型相整合以合成视觉特征。判别器用于区分从现有分类 CNN 中提取的真实视觉特征与合成视觉特征。由于生成的残差在数值上通常远小于所有原型之间的距离，所提网络合成的未见类特征分布重叠更少。此外，考虑到分类 CNN 的视觉特征通常与其语义特征不一致，引入了一种简单的特征选择策略以提取更紧凑的语义视觉特征。在六个基准数据集上的大量实验结果表明，我们的方法在大多数情况下比现有最先进方法取得了显著更好的性能，提升幅度为 1.2%–13.2%。
引用
@article{arxiv.2008.12962,
title = {Zero-Shot Learning from Adversarial Feature Residual to Compact Visual Feature},
author = {Bo Liu and Qiulei Dong and Zhanyi Hu},
journal= {arXiv preprint arXiv:2008.12962},
year = {2020}
}