LOCL：利用定位学习对象-属性组合
计算机视觉与模式识别
2022-10-11 v1 机器学习
摘要
本文描述了 LOCL（利用定位学习对象-属性组合，Learning Object Attribute Composition using Localization），它将组合零样本学习推广到杂乱且更真实场景中的对象。未见对象-属性（OA）关联问题在该领域已被充分研究，然而现有方法的性能在具有挑战性的场景中受限。在此背景下，我们的关键贡献是一种模块化方法，用于在弱监督上下文中定位感兴趣的对象和属性，并对未见配置具有鲁棒泛化能力。定位与组合分类器相结合显著优于当前最优（SOTA）方法，在现有具挑战性数据集上提升约 12%。此外，模块化使得局部化特征提取器能与现有 OA 组合学习方法结合使用以提升其整体性能。
引用
@article{arxiv.2210.03780,
title = {LOCL: Learning Object-Attribute Composition using Localization},
author = {Satish Kumar and ASM Iftekhar and Ekta Prashnani and B. S. Manjunath},
journal= {arXiv preprint arXiv:2210.03780},
year = {2022}
}
备注
20 pages, 7 figures, 11 tables, Accepted in British Machine Vision Conference 2022