相关工作
•投影
•SOC 将视觉属性投影到语义空间，通过knn进行搜索语义嵌入向量
•ALE利用排序损失学习图像与属性空间之间的双线性相容函数。
•SAE 提出了一种语义自动编码器，通过增强映射到待重构语义空间的图像特征来正则化模型。
•CMT使用一个具有两个隐藏层的神经网络来学习从图像特征空间到word2vec空间的非线性投影。
•投影
•SOC 将视觉属性投影到语义空间，通过knn进行搜索语义嵌入向量
•ALE利用排序损失学习图像与属性空间之间的双线性相容函数。
•SAE 提出了一种语义自动编码器，通过增强映射到待重构语义空间的图像特征来正则化模型。
•CMT使用一个具有两个隐藏层的神经网络来学习从图像特征空间到word2vec空间的非线性投影。
•通过CVAE生成的unseen类的分布。
•真实的unseen类别的分布。
•可以看出生成的分布和真实分布之间的差距，为了生成样本可以有效用于训练，需要使上图样本的分布向下图的分布靠近。
创新点
•真实的unseen类别的分布。
•可以看出生成的分布和真实分布之间的差距，为了生成样本可以有效用于训练，需要使上图样本的分布向下图的分布靠近。
•1. encoder计算z, decoder 解码z & a 得到[if !msEquation]x ̂[endif]
•2. Regressor ma[if !msEquation]ps x ̂ to its predicteda ̂[endif]
•3.decoder的作用是生成和unseen样本近似的分布
OCD over-Complete Distribution
对一个类构造OCD 包括生成所有可能的hard
samples，这些样本和其他类的分布更加接近
对于未知类，可以通过采样生成的方法得到其分布
由一类的变分得到的近似分布的参数用µ，σ表示，OCD分布通过µOC, σOC表示。
X ̂ 表示[endif]生成unseen的近似分布
X ̂_OC表示构造OCD分布
CVAE 构造unseen样本三元组损失和中心损失重构a
使同类间距离减小，异类间距离增大
重构
正则化保证采样的结果属
unseen类内
Centre loss
•目的：将样本和它的属性对应
•为了学习不同样本到一个类的属性映射，应该最小化一个类在属性空间中分布的标准偏差。因此，centre loss和regression
loss被用来最小化与中心的偏差。
是类别c的中心， 代表c类中的样本
Triplet loss
•指向同一人脸的encoding
vector 的距离很近
•指向不同人脸的encoding
vector 的距离很远
