分布式零样本学习的视觉识别
计算机视觉与模式识别
2025-11-12 v1
摘要
本文提出一种分布式零样本学习(DistZSL)框架，能够充分利用去中心化数据来学习有效的无见类模型。考虑到分布式节点之间数据异构性问题，本文引入两个关键组件以确保 DistZSL 的有效学习：跨节点属性正则化器和全局属性到视觉共识。我们提出的跨节点属性正则化器 enforces 不同节点之间属性特征的距离相似。在这种情况下，整体属性特征空间在学习期间将保持稳定，从而促进视觉到属性(V2A)关系的建立。随后，我们引入全局属性到视觉共识以缓解来自各个节点的偏向性 V2A 映射。具体而言，我们强制属性和视觉特征分布之间的双向映射在不同节点之间保持一致。因此，所学一致的 V2A 映射可显著提高跨节点的零样本学习性能。大量实验表明，DistZSL 在学习分布式数据时优于最先进的方法。
引用
@article{arxiv.2511.08170,
title = {Distributed Zero-Shot Learning for Visual Recognition},
author = {Zhi Chen and Yadan Luo and Zi Huang and Jingjing Li and Sen Wang and Xin Yu},
journal= {arXiv preprint arXiv:2511.08170},
year = {2025}
}
备注
Accepted to IEEE Transactions on Multimedia in Oct 2025