Apr, 2024
面向广义零样本学习的高判别属性特征学习
High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning
Yu Lei, Guoshuai Sheng, Fangfang Li, Quanxue Gao, Cheng Deng...
TL;DR零样本学习（ZSL）旨在根据观察到的类别的语义知识，识别未接触过的新类别，然而，当前基于注意力的模型对于学习图像区域特征时，可能忽视了视觉特征的可转移性和属性定位的独特性。为了解决这些问题，我们提出了一种名为高辨别属性特征学习的创新方法（HDAFL），通过学习属性特征来优化视觉特征以获取有辨识力的视觉嵌入。具体而言，HDAFL 利用多个卷积核自动学习与图像中属性高度相关的辨别性区域，消除图像特征中的不相关干扰。此外，我们引入了基于 Transformer 的属性判别编码器来增强属性之间的辨别能力。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传递性，从而实现了观察类别和未观察类别之间更好的语义转移。实验结果在三个广泛使用的数据集上验证了 HDAFL 的有效性。