面向广义零样本学习的高判别性属性特征学习
计算机视觉与模式识别
2024-04-09 v1
摘要
零样本学习（ZSL）旨在无需预先接触新类别的样本即可识别它们，依赖于从已见类别中获得的语义知识。然而，当前的基于注意力的模型在学习图像中的区域特征时，可能忽略视觉特征的可迁移性和属性定位的独特性。此外，它们常常忽略不同对象之间的共享属性。高判别性的属性特征对于识别和区分未见类别至关重要。为了解决这些问题，我们提出了一种创新方法，称为高判别性属性特征学习用于广义零样本学习（HDAFL）。HDAFL通过学习属性特征来优化视觉特征，以获得判别性的视觉嵌入。具体来说，HDAFL利用多个卷积核自动学习图像中与属性高度相关的判别性区域，消除图像特征中的无关干扰。此外，我们引入了一个基于Transformer的属性判别编码器来增强属性之间的判别能力。同时，该方法采用对比损失来减轻数据集偏差并增强视觉特征的可迁移性，促进已见和未见类别之间更好的语义迁移。实验结果表明HDAFL在三个广泛使用的数据集上的有效性。
引用
@article{arxiv.2404.04953,
title = {High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning},
author = {Yu Lei and Guoshuai Sheng and Fangfang Li and Quanxue Gao and Cheng Deng and Qin Li},
journal= {arXiv preprint arXiv:2404.04953},
year = {2024}
}