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 ) 作者|秦杰、沈钰明编辑|陈大鑫计算机视

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。