文献

J-GLOBAL ID：202202236592966942   整理番号：22A0328090

一般化ゼロショット学習のためのカスケードGANによる識別と代表特徴の学習【JST・京大機械翻訳】

Learning discriminative and representative feature with cascade GAN for generalized zero-shot learning

著者 (6件)： Liu Jingren (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Fu Liyong (Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing, China) ,  Zhang Haofeng (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Ye Qiaolin (e College of Information Science and Technology, Nanjing Forestry University, Nanjing, China) ,  Yang Wankou (School of Automation, Southeast University, Nanjing, China) ,  Liu Li (Inception Institute of Artificial Intelligence, Abu Dhabi, United Arab Emirates)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 236  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ゼロショット学習(ZSL)は,知識転送を通して,見えない画像を同定するために,見える画像とそれらの関連意味論を採用することを目的とする。過去の多くの方法の中で,生成方法はより顕著であり,他の方法より良い結果を達成した。しかし,サンプル生成の入力は単調であり,各クラスと人工的に定義された雑音の意味論のみがあり,生成された視覚特徴の非識別と分類器を効果的に識別できない。この問題を解決するために,弁別的で代表的な特徴を生成するために,カスケードGenerative Adversarial Network(GAN)を用いた新しい方法を提案した。この方法では,異なるカテゴリからの特徴を互いに直交する潜在空間を定義し,この潜在空間に対する発生器をWasserstein GANで学習した。さらに,この潜在空間における特徴が種の真の分布を正確にシミュレートできないという欠点を補うために,より識別的で代表的な視覚特徴を生成するため,以前のものをカスケードした別のWaserstein GANまたはCramer GANを利用した。この方法で,著者らは,発生プロセスにおける入力として使われるコンテンツを拡大するだけでなく,潜在空間直交性の影響の下で,最終的生成視覚特徴を明確で分離できる。5つのベンチマークデータセット,すなわち,AWA1,AWA2,CUB,SUNおよびAPYに関する大規模な実験は,著者らの提案方法が,従来および一般化ゼロショット学習設定の両方に関して最先端の方法のほとんどを凌駕できることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  意味論 ,  *学習 ,  画像 ,  直交性 ,  ベンチマーク ,  コンテンツ
準シソーラス用語： 視覚顕著 , 【Automatic Indexing@JST】

著者キーワード (4件)： 一般化ゼロショット学習 ,  生成モデル ,  直交性 ,  カスケードGAN

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 一般化 ,  ショット ,  学習 ,  カスケード ,  GaN ,  識別