基于上下文和多样性驱动的特异性在组合零样本学习中的应用
计算机视觉与模式识别
2024-02-28 v1
摘要
组合零样本学习（CZSL）旨在基于有限的观测样本识别未见过的属性-对象对。当前的CZSL方法尽管取得了进展，但往往忽略了属性中存在的不同特异性水平。例如，给定切片草莓的图像，它们可能无法优先选择“切片草莓”而非通用的“红色草莓”，尽管前者信息量更大。在从封闭世界（CW）转向开放世界（OW）CZSL时，它们还面临搜索空间膨胀的问题。为了解决这些问题，我们引入了基于上下文和多样性驱动的特异性学习框架（CDS-CZSL）。我们的框架通过考虑属性所适用的对象的多样性及其相关上下文来评估属性的特异性。这种新颖的方法通过强调特定的属性-对象对来实现更准确的预测，并改进了OW-CZSL中的组合过滤。我们在CW和OW场景下进行了实验，我们的模型在三个数据集上取得了最先进的结果。
引用
@article{arxiv.2402.17251,
title = {Context-based and Diversity-driven Specificity in Compositional Zero-Shot Learning},
author = {Yun Li and Zhe Liu and Hang Chen and Lina Yao},
journal= {arXiv preprint arXiv:2402.17251},
year = {2024}
}