细粒度零样本学习：进展、挑战与展望
计算机视觉与模式识别
2024-02-06 v2
摘要
最近的零样本学习（ZSL）方法整合了细粒度分析，即细粒度 ZSL，以缓解众所周知的已见/未见域偏差和视觉-语义映射错位问题，并取得了深远进展。值得注意的是，这种范式不同于现有的闭集细粒度方法，因此可能带来独特且非平凡的挑战。然而，据我们所知，目前仍缺乏对该主题的系统性总结。为了丰富该领域的文献并为其未来发展提供坚实基础，本文对 ZSL 中细粒度分析的最新进展进行了广泛综述。具体而言，我们首先对现有方法和技术进行了分类，并对每个类别进行了深入分析。然后，我们总结了基准，涵盖了公开可用的数据集、模型、实现以及一些更详细的资料，形成一个库。最后，我们概述了一些相关应用。此外，我们还讨论了关键挑战并提出了潜在的未来方向。
引用
@article{arxiv.2401.17766,
title = {Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects},
author = {Jingcai Guo and Zhijie Rao and Zhi Chen and Jingren Zhou and Dacheng Tao},
journal= {arXiv preprint arXiv:2401.17766},
year = {2024}
}
备注
9 pages, 1 figure, 4 tables