面向广义零样本学习的双特征增强网络
计算机视觉与模式识别
2023-09-26 v1 人工智能
摘要
零样本学习（ZSL）旨在通过将知识从已见类迁移来推断无训练样本的新类。现有的基于嵌入的 ZSL 方法通常采用注意力机制在图像上定位属性。然而，这些方法常忽略嵌入空间中不同属性视觉特征间的复杂纠缠。此外，这些方法采用直接的属性预测方案进行分类，未考虑同一类别图像中属性的多样性。为解决这些问题，我们提出一种新颖的双特征增强网络（DFAN），其包含两个特征增强模块，分别用于视觉特征与语义特征。视觉特征增强模块显式学习属性特征并采用余弦距离将其分离，从而增强属性表示。在语义特征增强模块中，我们提出一个偏置学习器，从数据集视角捕捉弥合实际与预测属性值之间差距的偏移量。此外，我们引入两个预测器以调和局部与全局特征间的冲突。在三个基准上的实验结果表明，与最先进方法相比我们的方法取得显著进步。我们的代码见 https://github.com/Sion1/DFAN。
引用
@article{arxiv.2309.13833,
title = {Dual Feature Augmentation Network for Generalized Zero-shot Learning},
author = {Lei Xiang and Yuan Zhou and Haoran Duan and Yang Long},
journal= {arXiv preprint arXiv:2309.13833},
year = {2023}
}
备注
Accepted to BMVC2023