融合VAE和StackGAN的零样本图像分类方法
零样本分类算法旨在解决样本极少甚至缺失类别情况下的分类问题.随着深度学习的发展,生成模型在零样本分类中的应用取得了一定的突破,通过生成缺失类别的图像,将零样本图像分类转化为传统的基于监督学习的图像分类问题,但生成图像的质量不稳定,如细节缺失、颜色失真等,影响图像分类准确性.为此,提出一种融合变分自编码(variational auto-encoder,VAE)和分阶段生成对抗网络(stack generative adversarial net-works,StackGAN)的零样本图像分类方法,基于VAE/GAN模型引入StackGAN,用于生成缺失类别的数据,同时使用深度学习方法训练并获取各类别的句向量作为辅助信息,构建新的生成模型stc-CLS-VAEStackGAN,提高生成图像的质量,进而提高零样本图像分类准确性.在公用数据集上进行对比实验,实验结果验证了本文方法的有效性与优越性.
深度学习、零样本学习、图像分类、变分自编码器、生成对抗网络、分阶段网络、句向量、辅助信息
17
TP18(自动化基础理论)
国家自然科学基金;河北省自然科学基金青年科学基金项目;中央高校基本科研业务费专项资金面上项目
2022-06-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
593-601