f-VAEGAN-D2: 任意のショット学習用特徴生成フレームワーク

ラベル付き訓練データが不足している場合、未知のクラスの属性を使用して視覚的特徴を生成するという有望なデータ拡張手法があります。CNN特徴のクラス条件付き分布を学習するために、これらのモデルは画像特徴とクラス属性のペアに依存しています。したがって、豊富にある未ラベルデータサンプルを利用することはできません。本論文では、誘導学習と伝導学習の両設定で動作する統一された特徴生成フレームワークにおいて、ゼロショットおよびファーソット学習問題（つまり、any-shot学習問題）に取り組みます。我々はVAEとGANの強みを組み合わせた条件付き生成モデルを開発し、さらに無条件判別器を通じて未ラベル画像の周辺特徴分布を学習します。実験結果から、我々のモデルはCUB, SUN, AWA, ImageNetという5つのデータセットに対して非常に識別力のあるCNN特徴を学習できることを示し、誘導学習と伝導学習（一般化された）ゼロショットおよびファーソット学習設定における新たな最先端性能を達成しました。また、我々が学習した特徴が解釈可能であることを示すために、それらをピクセル空間に戻して可視化し、特定のラベルに関連付けられる理由をテキストで生成することによって説明します。