基于属性中心表示的细粒度零样本学习
计算机视觉与模式识别
2025-12-16 v1
摘要
识别未见的细粒度类别需要能够区分细微视觉差异的模型，这通常通过将视觉-属性关系从已见类别传递到未见类别来实现。核心挑战在于属性缠结，其中传统模型会将颜色、形状和纹理等离散属性坍缩到单个视觉嵌入中。这会导致干扰，掩盖这些关键区别。先前工作的事后解决方案不足，因为它们作用于已经混合的表示上。我们提出了一个零样本学习框架，通过在表示学习过程中施加属性解缠来解决这一问题，学习属性中心表示（ACR）。ACR通过两个混合专家组件实现，包括混合补丁专家（MoPE）和混合属性专家（MoAE）。首先，MoPE通过双层路由机制插入到变换器中，条件性地将图像补丁分派给专门的专家。这确保了具有一致性的属性族由专门的专家处理。最后，MoAE头部将这些专家精炼后的特征投射到稀疏、面向部位的属性图中，用于稳健的零样本分类。在零样本学习基准数据集CUB、AwA2和SUN上，我们的ACR实现了一致的状态机械结果。
引用
@article{arxiv.2512.12219,
title = {Fine-Grained Zero-Shot Learning with Attribute-Centric Representations},
author = {Zhi Chen and Jingcai Guo and Taotao Cai and Yuxiang Cai},
journal= {arXiv preprint arXiv:2512.12219},
year = {2025}
}
备注
Preprint