GenZSL：基于归纳变分自编码器的生成式零样本学习
计算机视觉与模式识别
2025-05-20 v1 机器学习
摘要
零样本学习 (ZSL) 已取得显著进展，主要依赖生成模型。然而，现有生成式 ZSL 方法仅从由专家标注的强类语义向量从零生成视觉特征，导致生成性能次优且场景泛化受限。为此，本文提出一种用于生成式零样本学习的归纳式变分自编码器，称为 GenZSL。模仿人类水平的概念学习，GenZSL 通过从类似的已见类中从弱类语义向量（即来自目标类名称的 CLIP 文本嵌入）诱导新的类样本。为确保为训练有效的 ZSL 分类器生成信息性样本，GenZSL 包含两项关键策略：首先，它采用类多样性促进机制以增强类语义向量的多样性；其次，它利用目标类引导的信息提升准则优化模型。在三个流行的基准数据集上进行的大量实验表明，GenZSL 在性能和效率上均优于 f-VAEGAN，例如在 AWA2 上实现了 24.7% 的性能提升和超过 60 倍的训练速度。代码已公开于 https://github.com/shiming-chen/GenZSL。
引用
@article{arxiv.2505.11882,
title = {GenZSL: Generative Zero-Shot Learning Via Inductive Variational Autoencoder},
author = {Shiming Chen and Dingjie Fu and Salman Khan and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2505.11882},
year = {2025}
}
备注
Accepted to ICML'25