[CVPR 2019] Gradient Matching Generative Networks for Zero-Shot Learning

[paper]

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。