前面介绍了将VAE+GAN解决零样本学习的方法：f-VAEGAN-D2，这里继续讨论引入生成模型处理零样本学习（Zero-shot Learning, ZSL）问题。论文“Latent Embedding Feedback and Discriminative Features for Zero- Shot Classification”提出TF-VAEGAN，以f-VAEGAN-D2为Baseline进行改进。

引言

动机

一些工作利用辅助模块（如Decoder）在训练期间对语义嵌入重建实现循环一致（cycle- consistency）约束，帮助生成器合成语义一致的特征。但这些辅助模块仅在训练中使用，在调整合成与分类预测阶段被丢弃。既然辅助模块在训练中帮助生成器，作者希望能在调整合成阶段帮助生成判别性的特征，减少不同类之间的歧义促进分类。因此作者在文中，增强了特征合成与零样本分类。

此外，为了保证生成的特征语义上尽可能与真实特征分布相近，训练时，对生成特征与原始特征使用循环一致（cycle- consistency）损失。对于语义嵌入也使用类似的一致损失，并在特征合成与分类期间进一步学习。

贡献

在VAEGAN架构的基础上增加一个语义嵌入解码器（Semantic Embedding Decoder, SED），并且：

1. 增加了一个用于（广义）零样本学习的反馈模块（feedback module），该模块在训练和合成调整阶段均使用SED。反馈模块首先转换SED的潜在嵌入，然后生成潜在表征供生成器使用。作者表示自己是第一个提出反馈模块用于（广义）零样本学习，而之前的反馈模块用于图像超分辨率。
2. 在分类阶段引入判别特征转换（discriminative feature transformation），转换会利用SED的潜在嵌入及相应的视觉特征来减少对象类别之间的歧义。

最后，作者在4个图像数据集、2个视频数据集进行了测试。

方法

设置

• \(x\in\mathcal{X}\)为图像（视频）特征实例；
• \(y\in\mathcal{Y}^s\)为相应的标签，标签集合含\(M\)个可见类，即\(\mathcal{Y}^s=\{y_1\dots,y_M\}\)；
• \(\mathcal{Y}^u=\{u_1\dots,u_N\}\)表示\(N\)未见类，并且\(\mathcal{Y}^s\cap\mathcal{Y}^u=\varnothing\)；
• 描述类的特定语义嵌入\(a(k)\in\mathcal{A},\forall k\in\mathcal{Y}^s\cup\mathcal{Y}^u\)；
• 对于无标签的测试数据\(x_t\in\mathcal{X}\)不在归纳ZSL中使用，仅在转导ZSL中使用；
• ZSL和GZSL的任务目的是分别学习分类器\(f{zsl}:\mathcal{X}\to\mathcal{Y}^u\ \text{and}\ f{gzsl}:\mathcal{X}\to\mathcal{Y}^s\cup\mathcal{Y}^u\)。在此之前，首先使用可见类特征\(x_s\)和相应嵌入\(a(y)\)合成特征。然后使用后学习到的模型使用未见类嵌入\(a(u)\)合成特征\(\hat{x}_u\)。结果得到的\(\hat{x}_u\)与\(xs\)将用来训练分类器\(f{zsl}\)和\(f_{gzsl}\)。

Baseline：f-VAEGAN-D2

此处再复述一遍f-VAEGAN-D2的损失函数设置。对于VAE部分的Encoder设置为\(E(x,a)\) ，它将输入特征x计算为潜在表征z，使用解码器\(G(z,a)\)从z重构x（解码器与WGAN共享作为条件生成器）。对于E和G，以嵌入a作为条件，VAE优化函数为

\[\mathcal{L}V=\mathrm{KL}(E(x,a)||p(z|a))-\mathbb{E}{E(x,a)}[\log G(z,a)]\tag{1} \]

KL表示KL散度，\(p(z|a)\)表示先验分布假设为\(\mathcal{N}(0,1)\),\(\log G(z,a)\)为重构损失。对于WGAN部分，有着生成器\(G(z,a)\)和判别器\(D(x,a)\)。G从随机噪声z合成特征\(\hat{x}\in\mathcal{X}\)，D对于输出的x输出实数，表示x是真实还是合成的概率，对于G和D，以嵌入a作为条件，优化函数为WGAN损失

\[\mathcal{L}{W}=\mathbb{E}[D(x,a)]-\mathbb{E}[D(\hat{x},a)]-\lambda\mathbb{E}[(||\nabla D(\tilde{x},a)||{2}-1)^{2}] \]

\(\begin{aligned}\hat{x}=G(z,a)\end{aligned}\)是合成特征，\(\lambda\)是惩罚系数，\(\tilde{x}\)为\(x\)和\(\hat{x}\)的随机插值。令\(\alpha\)为超参数，整体的优化函数为

\[\mathcal{L}_{vaegan}=\mathcal{L}_V+\alpha\mathcal{L}_W\tag{2} \]

局限

公式(1)第2项训练时，保证生成的特征与原始视觉特征循环一致（cyclically-consistent）。但在语义嵌入上并没有这种循环一致（cycle- consistency）约束，而其他通过辅助模块（除了生成器）在嵌入上实现循环一致的方法，仅作用在了训练，而在合成特征与分类阶段丢弃了辅助模块。

因此，在该论文，作者引入SED在训练、合成特征和分类阶段对语义嵌入实现循环一致约束，让生成器与SED互补学习并减少ZSL分类过程的歧义。

整体框架

对于给出的图片，骨干网络提取特征x与相应的语义嵌入a输入编码器E。E输出潜在表征z，z与a输入生成器G合成特征\(\hat{x}\)。判别器D学习区分真实特征x与合成特征\(\hat{x}\)。

E与G构成VAE使用二元交叉熵损失(\(\mathcal{L}{BCE}\))和KL散度优化（\(\mathcal{L}{KL}\)）。G与D构成WGAN，使用WGAN损失\(\mathcal{L}_{W}\)优化。此外，加入了反馈模块F转换Dec（也就是SED）输出的潜在嵌入\(\hat{h}\)，并喂入G，让G迭代细化\(\hat{x}\)。

Dec和反馈模块F在分类过程中，共同增强特征合成、减少类别间的歧义。Dec接受x与\(\hat{x}\)，重构生成嵌入\(\hat{a}\)。使用循环一致损失\(\mathcal{L}_R\)训练。学习后的Dec将被用在ZSL/GZSL分类中。F转换Dec的潜在嵌入，反馈给G以实现改进的特征合成。

语义嵌入解码器（SED）

语义嵌入解码器\(Dec:\mathcal{X}\to\mathcal{A}\)，对于生成特征\(\hat{x}\)重构语义嵌入\(a\)。为了循环一致性，保证生成语义一致的特征，使用L1重构损失。

\[\mathcal{L}_R=\mathbb{E}[||Dec(x)-a||_1]+\mathbb{E}[||Dec(\hat{x})-a||_1]\tag{3} \]

令\(\beta\)为解码器重构误差的权重超参数，整个TF-VAEGAN的优化函数为

\[\mathcal{L}{total}=\mathcal{L}{vaegan}+\beta\mathcal{L}_R\tag{4} \]

接下来介绍SED在分类过程中的重要性以及它在特征合成的作用。

判别特征转换（Discriminative Feature Transformation）

生成器G仅使用可见类特征和嵌入来学习每个类的“单个语义嵌入到多个实例”映射。与G类似，SED也仅使用可见的类进行训练，但学习每个类的“多个实例到一个嵌入”逆映射，实现互补学习。如下图(a)所示，使用SED的潜在嵌入（\(x\oplus h\)）作为分类阶段的重要信息源以减少特征间的歧义。

Dec在分类阶段，通过输入特征\(x\)与相应的潜在嵌入\(h\)进行连接操作\(\oplus\)，即特征转换（Transformation），然后将转换后的特征用于ZSL/GZSL分类。

首先进行G和Dec的训练。然后使用Dec将（合成或真实）特征转换到嵌入空间\(\mathcal{A}\)（也就是框架图中Dec生成的\(\hat{a}\)）。再然后将Dec中间的潜在嵌入与视觉特征连接。令\(h_s,\hat{h}_s\in\mathcal{H}\)表示Dec潜在嵌入，输入为\(x_s,\hat{x}_s\)分别实现转换：\(x_s\oplus h_s\)或\(\hat{x}_u\oplus \hat{x}_u\)。转换的特征用于学习分类器：

\[f{zsl}:\mathcal{X}\oplus\mathcal{H}\to\mathcal{Y}^u\ \mathrm{and}
f{gzsl}:\mathcal{X}\oplus\mathcal{H}\to\mathcal{Y}^s\cup\mathcal{Y}^u\tag{5} \]

接下来介绍Dec在特征合成阶段的使用。

反馈模块（Feedback Module）

\(\bigstar,\blacktriangle,\boldsymbol{\bullet}\)表示3种类。生成特征\(\hat{x}\)由类特定嵌入a通过生成器G合成.\(\hat{a}\)由SED重构得到，并用于进一步加强合成特征\(\hat{x}_e\)。

f-VAEGAN-D2使用生成器直接通过类嵌入a合成特征\(\hat{x}\)（如(a)所示），这会造成真实与合成特征间存在gap。为此引入了一个反馈循环，在训练与合成特征阶段迭代优化特征生成（如(b)所示）。反馈回路由Dec到G，经过反馈模块F。F能在训练和合成阶段有效利用Dec。

令\(g^l\)表示G的第\(l\)层输出；\(\hat{x}^f\)表示加入了\(g^l\)的反馈结果，反馈的输出可表示为

\[g^l\leftarrow g^l+\delta\hat{x}^f\tag{6} \]

其中\(\hat{x}^f=F(h)\)，h为Dec的潜在表征，\(\delta\)为控制模块的参数。然而，对于未见类，合成的特征不太可靠，作者对反馈循环进行了改进。

反馈模块的输入

ZSL中，判别器D是需要条件的，目的是为了区分可见类的真假特征，而未见类图像没有相应的嵌入（也就是转导的图像没有标签、语义嵌入配对）。这时需要Dec，它通过将实例的图像转为类相关的语义嵌入，Dec比D更适合向G提供反馈，Dec的结果更适合作为反馈的输入。

训练策略

首先通过标准的GAN训练方式，对G和D经过全面训练。然后使用D和冻结的G对F进行训练。G的输出由于F的反馈得到改善，D和F得到进一步对抗训练。由于G被固定没对特征合成作出改进，这种训练不是最优的。为了进一步利用反馈改进合成，采用了迭代交替训练G和F。迭代中，G的训练不变，而F含两个子迭代（如下图所示）。

• 第一次子迭代：噪声z与语义嵌入a输入G，得初始合成特征\(\hat{x}[0]=G(z,a)\)，并输入Dec。
• 第二次子迭代：Dec的结果\(\hat{h}\)输入F，得到\(\hat{x}^f[t]=F(\hat{h})\)，并通过式(6)加入G的潜在表征，在第一次子迭代用过的z和a与\(\hat{x}^f[t]\)输入G合成\(\hat{x}^f[t+1]\)。

\[\hat{x}[t+1]=G(z,a,\hat{x}^f[t])\tag{7} \]

\(\hat{x}[t+1]\)输入Dec与D，使用式(4)训练。实践中第二次子迭代仅发生一次（t=0）。F让G学习Dec的h，从而增强特征的生成。

（广义）零样本分类

以上还没涉及转导的未见类图像，在Tf- VAEGAN中，通过输入嵌入\(a(u)\)和z到G：\(\hat{x}_u=G(z,a(u),\hat{x}^f[0])\)。合成的未见类特征\(\hat{x}\)与真实特征\(x_s\)分别输入Dec得到潜在特征并连接，即\(x_s\oplus h_s\)或\(\hat{x}_u\oplus \hat{x}u\)，并分别用于训练分类器\(f{zsl}\)或\(f_{gzsl}\)。对测试样本\(x_t\)也是同样处理方式：\(x_t\oplus h_t\),然后对它进行预测。

实验

实现细节

判别器D、编码器E和生成器G由4096个隐藏单元的两层全连接 （Fully-connected, FC）网络实现。加入无条件判别器D2（架构图中为画出，可参考f-vAEGAN-D2）。许多设置于f- VAEGAN-D2的论文一致，如z与a的维度相同（\(d_z=d_a\)）这里不再赘述。

泛化能力

作者将SED加入到f-CLSWGAN并于原始f-CLSWGAN对比证明，该模块可以迁移到不同架构并提高性能。

特征可视化

参考文献

1. Narayan, Sanath, et al. “Latent embedding feedback and discriminative features for zero-shot classification.” Computer Vision–ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part XXII 16. Springer International Publishing, 2020.