隐含嵌入反馈和判别性特征生成
太厉害了!
摘要——可以再看看
目标任务: 生成零样本
现有方法问题: 训练阶段保持语义一致性,在特征生成和分类阶段丢掉了这个约束。
提出方法: 提出在所有阶段(训练,特征生成,分类)强加一致性约束。
- 首先, 在训练和特征生成阶段,引入反馈循环,提升生成特征。
- 其次,在分类阶段,将生成特征和隐含嵌入转换成you判别性的特征。
验证任务: 零样本分类任务(CUB,FLO,SUN和AWA),零样本动作识别任务(HMDB51和UCF101)
引言
推荐看,写的不错。
生成方法分析:GAN存在模式坍塌问题,导致生成特征的多样性降低;VAE的特征生成更稳定,但是生成分布和后验分布不太像。
方法
f-CLSWGAN
f-VAEGAN-D2
本文方法
论文有两个创新模块:一个是SED语义嵌入解码器;一个是F反馈模块。目的就是提升生成器和分类器的性能。SEC的动机是SEC的“特征到语义的多对一映射”和生成器的“语义到特征的一对多映射”信息互补,F的反馈机制受启发于超分辨中的反馈机制,在zsl中用于训练分类器。
3.3 Semantic Embedding Decoder
3.4 Feedback Module
实验
碾压!