文档名：基于循环一致性的零样本分类
零样本学习(Zero-ShotLearning,ZSL)利用人工定义属性等类别辅助信息进行模型训练,使模型具有识别未知类样本的能力.近年,利用生成网络生成未知类样本的视觉特征或潜在特征进行零样本分类的方法得到了广泛关注和研究,如利用两模态对齐变分自编码器生成潜在特征等,然而,该方法强制实施交叉重构导致不同模态数据的潜在特征所包含的判别信息减少.为解决此问题,提出了一种循环一致交叉分布对齐变分自编码器模型(Cycle-ConsistentCrossandDistributionAlignedVariationalAutoencoder,CC-CADA-VAE)进行零样本分类.CC-CADA-VAE模型在两模态对齐变分自编码器的基础上引入循环一致性损失函数,使生成的潜在特征更好地保留视觉和语义两模态的判别信息,并利用生成的潜在特征训练softmax分类器实现零样本分类.在AWA1、CUB和SUN三个数据集上进行了零样本分类实验,与基准模型CADA-VAE相比:CC-CADA-VAE模型在三个数据集上的零样本分类准确率T1分别提高了0.4％、0.2％和0.4％;通过消融实验验证了循环一致性约束的有效性;最后,通过实验确定了循环一致性损失的权重系数.实验结果表明,CC-CADA-VAE模型通过引入循环一致性损失函数使生成的潜在特征更好地保留了两模态数据的判别信息,进而提升零样本分类性能.
作者：刘帅史彩娟刘靖祎周文博程琦云
作者单位：华北理工大学人工智能学院,河北唐山063210
母体文献：第十四届全国信号和智能信息处理与应用学术会议论文集
会议名称：第十四届全国信号和智能信息处理与应用学术会议
会议时间：2021年4月11日
会议地点：北京
主办单位：中国高科技产业化研究会
语种：chi
分类号：
关键词：零样本图像分类 变分自编码器 对偶学习 循环一致性
在线出版日期：2021年6月24日
基金项目：
相似文献
相关博文
- 文件大小:
- 10.61 MB
- 下载次数:
- 60
-
高速下载
|
|
