基于判别器反馈的零样本图像分类方法

零样本学习（zero-shot learning, ZSL）致力于在训练期间缺乏不可见类数据的情况下，仍能达到对不可见类别分类的目的。目前在生成式方法中，基于联合生成模型VAEGAN的零样本学习是一个研究热点。在此基础上，提出了一个基于判别器反馈VAEGAN（discriminator feedback VAEGAN,DF-VAEGAN）的零样本图像分类方法。该方法在判别器部分引入了一个反馈模块，在训练阶段可以提升模型整体的性能，在特征生成阶段可以结合生成器共同提升特征生成质量，最终通过高质量的合成特征训练分类器，提高分类准确率。本文还通过解码器重建属性特征，并使用循环一致性损失确保生成特征具备语义一致性。传统ZSL和广义零样本（generalized zero-shot learning, GZSL）图像分类实验展示了本文方法在5个经典数据集上均优于现有方法，在零样本图像分类任务中有效增强了特征合成质量和减少了类别间歧义的目标。