原型引导的零样本学习课程学习
计算机视觉与模式识别
2025-08-12 v1
摘要
在零样本学习（ZSL）中，基于嵌入的方法通过学习从见识类别的图像到类级语义原型（如属性）的视觉-语义映射，实现知识从见识类别向未见识类别的传递。然而，这些语义原型是手动定义的，可能因两大原因引入噪声监督：（i）实例级不匹配：视角、遮挡与标注偏差会导致个体样本与类级语义原型之间存在差异；（ii）类级不精确：手动定义的语义原型可能不准确反映该类的真实语义。 Consequently，视觉-语义映射将受到误导，降低对未见识类别知识传递的效果。本文提出一种原型引导课程学习框架（称为 CLZSL），通过原型引导课程学习（PCL）模块缓解实例级不匹配，通过原型更新（PUP）模块解决类级不精确。具体而言，PCL 模块优先选择视觉映射与类级语义原型余弦相似度高的样本，逐步过渡至更不匹配的样本，从而减少实例级不匹配对实现准确视觉-语义映射的干扰。此外，PUP 模块通过利用从实例中学习到的视觉映射，动态更新类级语义原型，从而减轻类级不精确并进一步提升视觉-语义映射。实验在标准基准数据集 AWA2、SUN 和 CUB 上进行，验证了本方法的有效性。
引用
@article{arxiv.2508.07771,
title = {Prototype-Guided Curriculum Learning for Zero-Shot Learning},
author = {Lei Wang and Shiming Chen and Guo-Sen Xie and Ziming Hong and Chaojian Yu and Qinmu Peng and Xinge You},
journal= {arXiv preprint arXiv:2508.07771},
year = {2025}
}
备注
12 pages, 7 figures