要約
本研究は、少数または全く訓練サンプルが存在しない状況下でも、細分化されたクラスを識別できる新しい構成型生成モデルを提案する。我々の主な観察は、細分化されたクラスに対して全体的な特徴を生成する手法では、クラス間の微細な属性差を十分に捉えることができない点にある。この問題を解決するために、訓練サンプルから属性特徴を抽出し、それらを組み合わせて稀少かつ未観測のクラスに対応する細分化特徴を構築する特徴構成フレームワークを提案する。特徴構成により、各クラスの特徴を関連する訓練サンプルから選択的に構成可能となるだけでなく、構成に用いるサンプルを変更することで、構成された特徴間の多様性も得られる。さらに、クラスごとに全体的な特徴を構築するのではなく、属性特徴を用いて、クラスの微細な属性情報を捉えられる高密度表現を構築する。本研究では、識別モデルを用いて特徴を構成し、その構成された特徴を再び自身の学習に用いる訓練スキームを提案する。これにより、別個の生成モデルを学習することなく、識別モデルを直接構成された特徴上で学習可能となる。本手法の有効性を、DeepFashion、AWA2、CUB、SUNの4つの代表的なデータセット上で実験により検証した。