Zero-Shot Learning을 위한 특성 생성 네트워크

기존의 최신 접근 방식들은 관찰된 클래스와 미관찰된 클래스 간의 극단적인 훈련 데이터 불균형으로 인해 도전적인 일반화 제로샷 학습 과제에서 만족스러운 결과를 얻지 못하고 있습니다. 미관찰된 클래스의 라벨이 붙은 예제가 필요하지 않도록 하기 위해, 우리는 클래스 수준의 의미 정보에 조건부로 CNN 특징을 생성하는 새로운 생성적 적대 네트워크(GAN)를 제안합니다. 이 방법은 클래스의 의미 설명자로부터 클래스 조건부 특징 분포로 바로 연결되는 지름길을 제공합니다. 우리 제안 방법은 Wasserstein GAN과 분류 손실을 결합하여, 충분히 구별 가능한 CNN 특징을 생성하여 소프트맥스 분류기나 임의의 다중 모드 임베딩 방법을 훈련시키는 능력을 가지고 있습니다. 실험 결과, CUB, FLO, SUN, AWA 및 ImageNet 등 다섯 개의 도전적인 데이터셋에서 제로샷 학습과 일반화 제로샷 학습 설정 모두에서 기존 최신 기술보다 정확도가 크게 향상됨을 보여주고 있습니다.