澄澈的眼|GAN/VAE地位难保？Flow在零样本识别任务上大显身手( 五 )
4 实验结果
1、模拟数据的仿真结果我们首先在模拟数据上做了一些仿真性实验 ， 用来验证我们的两个研究动机：
1、生成流是否比GAN和VAE更适用于零样本识别任务？
2、所提出的iMMD损失函数是否能够解决零样本识别中普遍存在的偏移问题？
具体而言 ， 给定图（a）所示四类仿真数据 ， 其中三类可见 ， 一类不可见 。 图（b)是我们方法生成的数据分布结果 ， 图（c）和（d)分别是GAN和VAE加上我们提出的iMMD损失的结果 。
显而易见 ， GAN和VAE由于训练不稳定等因素 ， 无法生成满意的数据分布 。 而我们方法生成的数据则比较符合真实的数据分布 。
图（f-h）则展示了不同参数下iMMD损失的效果 。 可以看到：不加iMMD损失生成的不可见类别数据会向可见类别有所偏移；加过大的iMMD损失同样无法得到稳定的数据生成结果；加正向的MMD损失则会放大原本已经存在的偏移问题 。
2、真实数据库的实验结果我们在国际通用的四个数据库（AwA1&2、CUB、SUN、APY）上将我们方法与目前最好方法进行了一系列对比 。 我们采用两种不同的实验设置 ， 即经典零样本学习（Classic ZSL ， CZSL）和泛化零样本学习（Generalized ZSL ， GZSL） 。
下表展示的是在GZSL实验设置下的实验结果 ， 图中加粗的数据表示目前最好效果 ， 表中“H”列是最重要的对比指标 ， 最后两行是我们方法的结果 。
可以看出 ， 我们方法在不同数据库上均领先于目前已有算法 ， 并且在H指标上有着不小的提升 ， 比如在APY数据库上比排名第二的方法提升了约6% 。
下表展示的是不同方法在CZSL设置下的实验结果 ， 除了CUB数据库（我们比最好方法低了0.5%） ， 我们在其他数据库上都取得了目前最好的零样本识别效果 。 比如在AwA2数据库上 ， 我们比第二名提升了6.4% 。
我们也对所提出的生成流方法进行了一系列对比实验/性能分析（Ablation Study） ， 如下表所示 。
具体而言 ， 我们对所提出框架中的一些关键因素通过控制变量方法 ， 从而得出每个部件在整体模型中的作用 。
我们首先尝试将生成流模型替换为条件VAE模型 ， 可以看出 ， 识别率大幅下降 ， 某些指标下降幅甚至达到50% ， 这也从侧面证明了生成流模型对零样本识别任务的贡献和重要性 。
其次 ， 我们还尝试移除我们提出的两个损失函数 ， 可以看到 ， 整个模型的效果大打折扣 。 通过指标下降幅度 ， 我们也可以看出在这两个损失中 ， iMMD损失对整体识别效果更具有决定性作用 。
【澄澈的眼|GAN/VAE地位难保？Flow在零样本识别任务上大显身手】此外 ， 我们还针对不同参数做了一些对比实验 ， 也展示了一些可视化结果 ， 感兴趣的读者可以查看论文进一步阅读 。
推荐阅读
- 澄澈的眼|始料未及：华为不敌小米？上半年全球手机出货量TOP10公布
- 澄澈的眼|10年了，腾讯微博终于不折腾了
- 澄澈的眼|这Spring注入对象处理过程也太细了，收藏了，什么神仙
- 澄澈的眼|戈尔巴乔夫曾用过的收音机
- 澄澈的眼|腾讯微博：将于2020年9月28日停止服务和运营
- 澄澈的眼|马斯克疯狂的“脑机”技术将带动2021年大学脑科学成热门专业
- 薄情先生|真首发120W！倍思120W多口GaN氮化镓充电器体验
- 闲情居|当支持向量机遇上神经网络：SVM、GAN距离之间的关系
- 澄澈的眼|适屏壁纸、ai女神（玉）
- 中国|JPMorgan Chase & Co.增持中国人民保险集团股份约1688.07万股