在足够的数据样本示例支持下,使用生成模型学习数据点的概率分布,以便从中采样并合成示例,实现数据增强,帮助TZSL学习未见类的数据分布。 2. 方法 f-VAEGAN-D2 GAN在训练时容易遭受模型坍塌问题,而VAE对于特征的生成更加稳定,f-VAEGAN-D2作者结合两者优点通过消融实验证明将VAE与GAN结合能更好地生成图像特征。 设置 ...
CVPR2019-f-VAEGAN-D2: A Feature Generating Framework for Any-Shot Learning 摘要: 当缺乏标记的训练数据时,一种有希望的数据增强方法是使用未知类的属性生成未知类的视觉特征。为了学习CNN特征的类条件分布,这些模型依赖于成对的图像特征和类属性。因此,它们无法利用大量未标记的数据样本。在本文中,作者在统一的...
F-VAEGAN-D2: A Feature Generating Framework for Any-Shot Learningdoi:10.1109/CVPR.2019.01052Yongqin XianSaurabh SharmaBernt SchieleZeynep AkataIEEE