画像とラベルを混ぜることによる既存のData Augmentation手法と異なり、クラスのラベルは保持したまま難しい、学習に効果的な画像の生成手法を提案。ラベル空間上でAnchorとNegativeの線形補間で難しいラベルを生成し、ラベル空間から特徴空間への写像(Generator)の学習によりクラスラベルをNegativeのまま留めることができる。

画像の特徴抽出はGoogLeNetを用いて、３つの大規模データセット(TheCUB-200-2011, The Cars196, The Stanford Online Products)について、クラスタリングと情報検索タスクにおいて前半２つのデータについてSOTAを達成、最後の１つもDeep adversarial metric learning(CVPR2018)とほぼ等しい精度を誇る。

Between-class Learning for Image Classification(CVPR2018)やMix-upのように画像(とラベル)を最初に混ぜるものをよく見るが、ラベルを混ぜてから画像を生成する研究へ移行してきたのですかね。