一般化ゼロショット学習のための一段階トレーニング生成パラダイム

ゼロショット学習による画像分類は、トレーニング中に存在しなかった未見のクラスを特定することを目的としています。一般化ゼロショット学習（GZSL）は、見たクラスと見ていないクラスの両方を認識する能力を持つため、現実のシナリオにより適しています。現在のGZSL手法は主に生成的敵対ネットワーク（GAN）を利用していますが、通常は二段階のトレーニングに従います：最初にGANをトレーニングし、その後、GANの合成特徴を使用して分類器をトレーニングします。これは孤立した最適化によって制限されがちです。我々は、分類器を独自の合成ラベル生成器として組み込み、生成器、識別器、分類器を含む三者間ゲームを構築する新しい一段階トレーニング生成パラダイムを提案します。これにより、統一された最適化目標が確保され、二段階手法の離散的最適化アプローチが排除されます。また、ラベルと属性の両方を活用するラベル属性分類器を提案し、ラベルのみを使用する従来のソフトマックス分類器を上回ります。我々のテスト結果は、提案する手法の有効性を示しています。