基于混合高斯分布的广义零样本识别

与传统零样本识别相比,广义零样本识别的样本不仅包括测试类别样本,还包括训练类别样本,因此,广义零样本识别更具有现实意义。提出了一种基于混合高斯分布的广义零样本识别的算法(MGM VAE),在编码器中采用多个通道结构,促使变分自编码器(VAE)模型可以在更广泛的空间内寻求更好的映射解。

基于类混合高斯映射的归纳式广义零样本识别

在广义零样本识别研究中,分类器对可见类别的偏倚以及在高维向低维特征映射过程中产生的信息丢失是传统算法常见的两大问题。为了解决上述问题,基于高斯混合分布模型的思想,结合共同学习的设计理念,提出一种加权多通道结构,不仅能够通过建立通道学习速率差异化实现通道间有监督的共同学习,而且可以通过类多高斯分布的计算拟合生成特征的真实分布特性,增强网络在隐藏空间的特征映射能力。针对三个常用数据库CUB、AWA2和SUN进行测试后,实验结果表明,基于多通道和生成对抗网络建立的类混合高斯映射网络模型针对上述三个数据库调和指标H分别提高了1.4、1.56和0.47,验证了这种加权多通道结构实现的类混合高斯映射模型在广义零样本图像识别领域的有效性。