購物車(0)
基于跨域對抗學習的零樣本分類
關鍵詞：零樣本學習 生成模型 跨模態(tài)生成 跨域對抗學習 聯合模型
摘要：零樣本學習旨在識別具有少量、甚至沒有訓練樣本的未見類,這些類與可見類遵循不同的數據分布.最近,隨著深度神經網絡在跨模態(tài)生成方面的成功,使用合成的樣本對未見數據進行分類取得了巨大突破.現有方法通過共享生成器和解碼器,聯合傳統(tǒng)生成對抗網絡和變分自編碼器來實現樣本的合成.然而,由于這2種生成網絡產生的數據分布不同,聯合模型合成的數據遵循復雜的多域分布.針對這個問題,提出跨域對抗生成網絡(CrossD-AGN),將傳統(tǒng)生成對抗網絡和變分自編碼器有機結合起來,基于類級語義信息為未見類合成樣本,從而實現零樣本分類.提出跨域對抗學習機制,引入2個對稱的跨域判別器,通過判斷合成樣本屬于生成器域分布還是解碼器域分布,促使聯合模型中的生成器解碼器不斷優(yōu)化,提高樣本合成能力.在多個真實數據集上進行了廣泛的實驗,結果表明了所提出方法在零樣本學習上的有效性和優(yōu)越性.
計算機研究與發(fā)展雜志要求:
{1}摘要200字左右，應具有獨立性和自明性，闡明撰寫該文的目的、方法、結論并體現出原創(chuàng)性，不加引注。
{2}來稿請恪守學術道德，嚴禁抄襲。
{3}來稿經審查后,編輯部有權對來稿作適當文字修改.來稿不退,請作者自留底稿。
{4}間接引文通常以“參見”或“詳見”等引領詞引導，反映出與正文行文的呼應，標注時應注出具體參考引證的起止頁碼或章節(jié)。標注項目、順序與格式同直接引文。
{5}本期刊的文獻引證方式均采用頁下注（腳注），采用小五號宋體，每頁單獨編號，注釋中卷次、出版時間、刊期、頁碼一律用阿拉伯數字表示。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
