基于改进TransGAN的零样本图像识别方法
零样本学习算法旨在解决样本极少甚至缺失情况下的图像识别问题.生成式模型通过生成缺失类别的图像,将此问题转化为传统的基于监督学习的图像识别,但生成图像的质量不稳定、容易出现模式崩塌,影响图像识别准确性.为此,通过对TransGAN模型进行改进,提出基于改进TransGAN的零样本图像识别方法.将TransGAN的生成器连接卷积层进行降维,并进一步提取图像特征,使生成图像特征和真实图像特征更加接近,提高特征的稳定性;同时,对判别器加入非线性激活函数,并进行结构简化,使判别器更好地指导生成器,并减小计算量.在公共数据集上的实验结果表明,所提方法的图像识别准确率较基线模型提高了 29.02%,且具有较好的泛化性能.
零样本学习、生成对抗网络、TransGAN、深度学习、图像识别、图像特征、卷积层、非线性激活函数
18
TP18(自动化基础理论)
国家自然科学基金;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
2023-04-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
352-359