那些年用GAN和VAE做的Zero-Shot learning

2019-05-17 本文已影响0人阮恒

一、《Feature Generating Network for Zero-Shot learning》

这篇论文由Yongqin Xian 发表于CVPR2018。
在看这篇文章之前，我们首先来梳理一下Zero-Shot Learning (ZSL) 的任务。所以，什么是ZSL呢？这种任务要求我们基于可见的一些物体，训练网络对物体属性的感知，从而对没有见过的物体进行分类。通俗点讲，就是我们给网络看了小脑斧、小马的图片，告诉他小脑斧身上有花纹，但是腿短，小马身上没花纹，但是腿长，小斑马身上有花纹而且腿长，有一天，我们给网络一张小斑马的图片，问他这是什么。即使他从没有见过斑马的图片，我们依然希望他通过之前的知识，能够对图片进行正确的分类。

什么是Zero-Shot Learning?

从数学角度来讲，设可见的图像集合为 $S = {(x^s,y^s,c(y^s))}$ ，其中 $x$ 是图像， $y$ 是图像所属的类别， $c(y^s)$ 是该类别的一些类别属性，比如attributes、description等等。不可见的图像集合为 $U = {(y^u,c(y^u))}$ ，仅有图像类别和类别属性。所以普通细粒度分类的任务就是学习一个分类器 $f_{zsl}: X->Y^u$ ，预测从未见过的图像类别。

但是这样的分类面临一个问题，（DV在讨论实验室项目时也提到过小样本学习面临同样的困境），就是在实际情况中，我们并不知道待分类的图像之前见没见过。所以就出现了一个更符合实际的任务，Generalized ZSL（GZSL），他的分类器是 $f_{zsl}: X->Y^u \cup Y^s$ ，即预测集中含有见过和没见过的图像类别。

了解了什么是ZSL和GZSL之后，就可以正式开始解读这篇论文啦。
作者使用三种conditional GAN来循序渐进的生成embedding feature。

论文模型

1. f-GAN

这是一种条件GAN（对条件GAN的介绍），对生成器和判别器都额外增加附加信息 $c(y)$ ，这里的附加信息是类别attributes或者description。
给定训练数据（来自可见数据集 $S$ ），作者计划训练一个generator $G: Z \times C -> X$ ，其中 $Z$ 是高斯噪声， $C$ 是class embedding，生成的是image feature $\tilde{x}~ \in X$ 。

所以整个GAN的损失函数就如下所示：

f-GAN
即训练时，生成器输入的是高斯噪声和某些可见类别的class embedding，输出的是该类别的image feature 。判别器输入的是类别的class embedding 和真实的image feature 以及生成的image feature 。

2. f-WGAN

作者又采用另一种GAN网络，Wasserstein GAN（对Wasserstein GAN的介绍）

WGAN

3. f-CLSWGAN

作者认为单纯使用WGAN还不足以使generator生成的features能够训练出一个好的分类器，所以作者提出加上一个分类loss。

二、《f-VAEGAN-D2: A Feature Generating Framework for Any-Shot learning》

这是Yongqin发表在CVPR2019的文章。
这篇文章的思路是将GAN和VAE结合，GAN的generator和VAE的decoder用同样的参数。这样，GAN的generator的输入就有了VAE的约束。作者大概就是这个意思吧。这篇文章代码没有看。

f-VAEGAN-D2

三、《Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders》

这篇文章单纯使用VAE来做Zero- and Few-Shot Learning，发表于CVPR2019。作者用了两个结构相同的VAE。

CADA-VAE

这个作者的思想不同于Yongqin的想法，后者是将class embedding (attributes) 当做辅助信息输入Decoder、Generator和Discriminator；前者是利用两个VAE，一个对image进行encode, 另一个对class embedding进行decode。

为了保证image和class embedding被投影到的空间一致，除了两个VAE各自的传统loss：

屏幕快照 2019-05-31 下午4.32.05.png

作者还将两个encoder的输出互换到decoder的输入端，生成Cross-Alignment loss。通俗地讲，这个loss的作用就是让image潜在空间 $z$ 里面的向量，通过class embedding的decoder以后，也能还原成相应类别的class embedding。

CA:Cross-Alignment loss

还有一个Distribution Alignment loss, 是为了令两个VAE的潜在空间的均值方差服从同样的分布设置的：

DA:Distribution Alignment loss