Deepfake idea

Motivation

  • 考虑语义信息,在弱监督信息中尽可能挖掘有效信息;
  • 一种更贴近实际的实验设定;
  • 在更为精确的数据集上时(标注成本较高,比如为CUB200种鸟类标注,需要很高的专业知识水平,此时应用CLL),反标记监督信息更为有用:
    e.g. 鸟类识别任务:给定一张鸟类图片:1.被告知不是汽车,2.被告知不是麻雀。显然2的信息更有用,更符合CLL问题初衷。

Semantic information

  • related work:
  1. 模糊度

    Progressive Identification of True Labels for Partial-Label Learning
  • 零样本学习
    语义信息作为类原型,寻找合适映射
  1. 插入属性空间S
  • An embarrassingly simple approach to zero-shot learning*
  1. SAE(semantic automatic encoder)

  2. 【!】DeViSe


(感觉可以尝试!将hinge rank loss 反过来排序)

Data

  1. original setting
    除去真实标签,等概率抽取反标签
  2. new setting(先搁置,首先根据其他文献的original setting得到的数据集做,便于比较、有说服力)
    除去真实标签,考虑语义距离地抽取反标签

Loss functions

  • Idea
  1. Deepfake idea
    Deepfake idea选取:
    a) 常量,通过试验确定
    b) 变量
    c) 分段函数,引入阈值Deepfake idea
    Deepfake idea
    (当预测类别标签Deepfake idea与给定反标签Deepfake idea距离很小时应该比较敏感)
    (MCLL :Deepfake idea)
  2. Deepfake idea
    将距离函数作为一个置信度,预测标签与反标签距离越小置信度越低
  3. 放弃以上损失框架(或者也是加和),hinge rank loss中将向量相似度换为距离函数?
  • Related work
  1. 非对称结构 (PLL):Deepfake idea
    系数 Deepfake idea选取:离散 Deepfake idea连续(PLL)
  • 类似的 (CLL):Deepfake idea

Model

  • 普通CNN模型
  • GAN
    目前只有一篇代码可用 TAC-GAN

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
乘风的头像乘风管理团队
上一篇 2022年5月25日
下一篇 2022年5月25日

相关推荐