基于生成对抗网络的对比细粒度类聚类
本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法,该方法基于一种目标函数,该函数在观察到的示例和它们预测的分类分布之间进行互信息交换,并对分类器抵抗对抗性生成模型的鲁棒性进行了权衡。我们实证评估了我们的方法 - 我们将其命名为分类生成对抗网络(或 CatGAN)- 在合成数据以及具有挑战性的图像分类任务上,展示了所学习分类器的鲁棒性。此外,我们定性地评估了由随着判别器学习的对抗性生成器生成的样本的保真度,并确定了 CatGAN 目标和判别聚类算法(如 RIM)之间的联系。
Nov, 2015
本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制,通过从一热编码变量和连续变量的混合中采样潜变量,再结合一个特定于聚类的损失函数,与一个将数据投影到潜空间的逆网络共同训练,我们能够在潜空间中进行聚类。结果表明,GAN 可以保留类别之间的潜空间插值,即使鉴别器从未接触过这些向量,并且在合成和真实数据集上,我们的结果比各种聚类基线表现更好。
Sep, 2018
本论文提出了一种名为 FGGAN 的端到端网络,通过从多视角图像中隐式学习几何变换的方式来学习判别性表征,进而解决精细图像检索中由于姿态变化造成的难点;该网络使用生成式对抗网络(GAN)自动处理复杂视角和姿态的差异,并在开放集情况下能够更好地匹配来自未见过和未知的细粒度类别的图像,与基线相比实现了 10% 的相对改进。
Jul, 2018
该研究提出使用生成对抗网络(GAN)来 “合成” 零样本类别的 CNN(卷积神经网络)特征,从而应对通用零样本学习任务中已有的数据不平衡问题。实验结果表明,该方法在多个数据集上的表现均显著优于现有方法。
Dec, 2017
本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能,以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平,即使在无监督设置下同样适用 。
Sep, 2017
本论文提出了一种名为 FineGAN 的新型无监督生成对抗网络框架,旨在实现对细粒度物体类别进行分层次生成。FineGAN 采用信息理论将三种因素(背景、目标形状、目标外貌)与潜在代码相关联,并以特定方式进行编码,从而实现所需层次关系,并通过大量实验验证了 FineGAN 的有效性。FineGAN 的代码 / 模型 / 演示可在 URL 中找到。
Nov, 2018
本文提出一种融合自编码器和生成式对抗网络的变分生成式对抗网络模型,用于合成细粒度类别中的图像。该模型采用交叉熵损失和均值偏差目标函数,学习潜在属性和标签对图像的影响关系,并利用特征匹配保持生成图像的结构。实验结果表明该模型可以生成高度写实、具有细粒度标签的图像。
Mar, 2017
该论文提出深度卷积生成对抗网络(DCGANs)可以用于无监督学习,通过在各种图像数据集上的训练,证明了 DCGANs 能够学习从物体部分到场景的表示层次结构,并且可以用于一般图像表示。
Nov, 2015
提出了分类器后验 GAN(CP-GAN),它通过将分类器的后验融入生成器输入并优化生成器来实现,以实现捕捉类别之间的关系并有选择地生成图像。
Nov, 2018
本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型,学习在数据匹配和标签匹配之间平衡的方法,并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题,实验结果表明其在多个真实数据集上具有良好的效果。
Aug, 2021