基于聚类的原型学习用于组成零样本学习
计算机视觉与模式识别
2025-02-25 v2
摘要
从已见组合中学习原始（即属性和对象）概念是组成零样本学习（CZSL）的主要挑战。现有的CZSL解决方案通常依赖过于简化的数据假设，例如用单个类心原型表示来建模每个原始概念，忽略了当属性（或对象）与不同对象（或属性）耦合时自然的多样性。在本工作中，我们开发了ClusPro，这是一个用于CZSL的稳健聚类原型挖掘框架，通过一组多样化的原型来定义原始的概念边界。具体而言，ClusPro对嵌入空间中的原始进行聚类，以自动发现和动态更新原型。这些有代表性的原型随后用于重新绘制一个结构良好且独立的原始嵌入空间，通过基于原型的对比学习和解耦学习，确保原始内部分离和原始间解耦。此外，ClusPro能够在不引入额外可学习参数或计算预算的情况下以非参数方式高效地进行原型聚类。实验在三个基准数据集上表明，ClusPro在封闭世界和开放世界设置下均优于各种顶尖CZSL解决方案。
引用
@article{arxiv.2502.06501,
title = {Learning Clustering-based Prototypes for Compositional Zero-shot Learning},
author = {Hongyu Qu and Jianan Wei and Xiangbo Shu and Wenguan Wang},
journal= {arXiv preprint arXiv:2502.06501},
year = {2025}
}
备注
Accepted to ICLR 2025; Project page: https://github.com/quhongyu/ClusPro