EVA：面向组合式零样本学习的混合专家语义变体对齐
计算机视觉与模式识别
2025-06-27 v1
摘要
组合式零样本学习（CZSL）研究识别未知状态-物体对的组合泛化能力，该能力基于已学习的基元概念。现有CZSL方法通常通过简单的组合-原型映射来推导基元特征，这对于可划分为不同语义子集的个体集合而言是次优的。此外，多对一的跨模态基元匹配忽略了相同状态或物体内部的组合发散性，限制了细粒度的图像-组合对齐。在本研究中，我们提出了EVA，一个用于CZSL的混合专家语义变体对齐框架。具体而言，我们引入领域专家自适应，利用多个专家实现token感知学习并建模高质量的基元表示。为实现准确的组合泛化，我们进一步提出语义变体对齐，以选择语义相关的表示用于图像-基元匹配。我们的方法在封闭和开放世界设置下的三个流行基准上均显著优于其他最先进的CZSL方法，证明了所提出见解的有效性。
引用
@article{arxiv.2506.20986,
title = {EVA: Mixture-of-Experts Semantic Variant Alignment for Compositional Zero-Shot Learning},
author = {Xiao Zhang and Yongqiang Ma and Haodong Jing and Nanning Zheng},
journal= {arXiv preprint arXiv:2506.20986},
year = {2025}
}