本文涉及的问题是零样本学习中生成方法,企图生成未见类的样本,将零样本问题转化成一个监督学习问题。其中,针对目前的生成方法中使用在已见类样本上训练的分类器(pre-trained model)来指导生成器,进行了分析。认为这样的分类指导会使得生成的样本很好被分类,但是缺少“支持向量”。这样生成的样本不够丰富,那么这个生成器生成的样本再去训练未见类的分类器,效果就会比较差。为了得到一个更好的分类器,这个分类器必须能生成比较丰富的样本。一个简单的想法就是直接端到端训练一个合成样本上的分类器,但是有两个问题,一个是训练次数太多梯度消失,一个是训练次数太少样本不合理。本文提出了一个梯度loss,让合成样本和真实样本在分类器上产生的梯度相关性最大。
[CVPR 2019] Gradient Matching Generative Networks for Zero-Shot Learning
最新推荐文章于 2024-06-26 09:39:37 发布