内容纲要

这是一篇CVPR2020的论文,好像风评不好。

摘要

一个很自然的解决FSL的问题是数据增强,或者数据合成。然而这些合成数据都不能很好的保证离散性和鉴别性,由此导致不满意的结果。我们提出对特征幻化网络。基于cWGAN和幻化离散和区分度的特征,在少样本情况下。使用2个新的正则器,即类别分类器和anti-collapse正则化,来提升鉴别力。

introduction

方法基于:训练集中的类别的yinta-class关系可以应用到测试未见过的任务。一旦cross-sample的关系建模,可以应用到少样本中幻化成新样本。数据增强的样本可以增大intra-class,然后会提高更sharper的分类边界。
以前有一些方法学习有限的变换集合,然后将其应用到novel的类别的种子样本,但是这样的映射肯会破坏生成样本的可区分性。还有一些方法对特定任务生成样本,来正则化生成过程,这种确保了生成样本的可区分性,但是这个任务约束了生成过程,生成的样本倾向于特定的模式,不能确保离散性。
我们提出AFHN,新颖的cWGAN。和其他数据增强在图像空间进行处理不同,我们的方法幻化特征,通过始终种子标签样本的特征作为条件上下文,AFHN结合一个新颖的类别正则化,约束了生成的特征和同类别的相似,和不同类别的具有很低的关系。
确保生成特征的李赛行很难。因为,条件gan容易收到模式崩塌问题,导致有限的分布模式被合成。这是因为,经常使用的高纬度和数据结构作为作为条件,来使得生成器忽视控制离散性的潜在编码。为了解决这个问题,我们提出了反崩塌正则化,对于容易崩塌的的模型赋予高的惩罚。从一个发现得出,这个发现是:噪声向量在潜在空间中更容易崩塌到同一个模式中,当映射到特征空间中。我们直接惩罚两个合成的特征向量的相似度喝噪声不相似度。在这种约束下,生成器被强制生成主要分布模式,鼓励合成特征的离散性。

method

file

最后修改日期:2020年10月12日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。