基于组监督学习的零样本合成
计算机视觉与模式识别
2021-02-18 v3 人工智能
机器学习
摘要
灵长类动物的视觉认知优于人工神经网络，其优势在于能够“设想”视觉对象——即便是新引入的对象——在不同属性（包括姿态、位置、颜色、纹理等）下的样子。为帮助神经网络设想具有不同属性的对象，我们提出一类定义在样本组上的目标函数，作为一种我们称之为组监督学习（Group-Supervised Learning, GSL）的新颖学习框架。GSL 允许我们将输入分解为具有可交换组件的解耦表示，这些组件可重新组合以合成新样本。例如，红色船只与蓝色汽车的图像可被分解并重组以合成新颖的红色汽车图像。我们提出一种基于自编码器的实现，称为组监督零样本合成网络（GZS-Net），用我们的学习框架训练，即使训练期间未见过此类样本也能生成高质量的红色汽车。我们在已有基准以及我们开源的一个新数据集上测试了我们的模型与学习框架。我们定性且定量地证明，用 GSL 训练的 GZS-Net 优于 SOTA 方法。
引用
@article{arxiv.2009.06586,
title = {Zero-shot Synthesis with Group-Supervised Learning},
author = {Yunhao Ge and Sami Abu-El-Haija and Gan Xin and Laurent Itti},
journal= {arXiv preprint arXiv:2009.06586},
year = {2021}
}
备注
Published at ICLR 2021 (16 pages including appendix)