面向零样本学习的多粒度相互细化网络
计算机视觉与模式识别
2025-11-12 v1
摘要
零样本学习（ZSL）旨在通过从已见类别传递语义知识来识别未见类别。当前方法通常将全局视觉特征与语义信息（即属性）相关联，或将局部视觉区域特征与相应属性对齐，以增强视觉-语义交互。虽然有效，但这些方法常常忽视了局部区域特征之间的内在交互，这些交互可以进一步提高可传递且明确的视觉特征的获取。在本文中，我们提出了一个名为Multi-Granularity Mutual Refinement Network（Mg-MRN）的网络，通过学习解耦的多粒度特征和跨粒度特征交互来细化判别且可传递的视觉特征。具体而言，我们设计了一个多粒度特征提取模块，通过解耦区域特征挖掘来学习区域级别的判别特征。然后，一个跨粒度特征融合模块加强了不同粒度区域特征之间的内在交互。该模块通过整合来自相邻层次的区域表示来增强每个粒度水平的判别性，从而进一步提高ZSL识别性能。在三个流行的ZSL基准数据集上进行了广泛实验，证明了我们提出的Mg-MRN方法的优越性和竞争性。我们的代码可在https://github.com/NingWang2049/Mg-MRN上获取。
引用
@article{arxiv.2511.08163,
title = {Multi-Granularity Mutual Refinement Network for Zero-Shot Learning},
author = {Ning Wang and Long Yu and Cong Hua and Guangming Zhu and Lin Mei and Syed Afaq Ali Shah and Mohammed Bennamoun and Liang Zhang},
journal= {arXiv preprint arXiv:2511.08163},
year = {2025}
}