一种用于灵活对象识别的语义增强异构图学习方法
计算机视觉与模式识别
2025-03-31 v1
摘要
灵活对象识别仍然是一个重要挑战，原因在于其固有的形状和尺寸多样性、半透明属性以及细微的类间差异。图基模型，如图卷积网络和图视觉模型，在灵活对象识别方面因其能够捕获变异对象间关系的能力而前景光明。然而，这些方法往往只关注全局视觉关系，或难以对齐语义与视觉信息。为缓解这些限制，我们提出一种语义增强异构图学习方法。首先，采用自适应扫描模块提取判别性语义上下文，以促进不同形状和尺寸的灵活对象之间的匹配，同时对齐语义节点和视觉节点以增强跨模态特征相关性。其次，采用异构图生成模块聚合全局视觉与局部语义节点特征，提高灵活对象的识别效果。此外，我们引入了 FSCW，即一个来自现有资源的大型灵活数据集。我们通过在灵活数据集（FDA 和 FSCW）以及挑战性基准（CIFAR-100 和 ImageNet-Hard）上的大量实验验证了该方法的有效性，显示出竞争性的性能。
引用
@article{arxiv.2503.22079,
title = {A Semantic-Enhanced Heterogeneous Graph Learning Method for Flexible Objects Recognition},
author = {Kunshan Yang and Wenwei Luo and Yuguo Hu and Jiafu Yan and Mengmeng Jing and Lin Zuo},
journal= {arXiv preprint arXiv:2503.22079},
year = {2025}
}
备注
Accepted by ICME 2025