.png){kind=icon}
返回
Aligning enhanced feature representation for generalized zero-shot learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11432-023-4174-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过将跨模态变分自编码器（VAEs）的潜在空间对齐，构建有效的共享潜在嵌入，是广义零样本学习（GZSL）的一种流行策略。然而，由于缺乏精细化的实例级标注，现有的VAE方法容易受到后验塌陷问题的影响。本文提出了一种通过增强特征表示对齐（AEFR）的创新的非对称VAE网络，用于GZSL。与一般的VAE结构不同，我们设计了两个非对称编码器用于视觉和语义观测，以及一个用于视觉重建的解码器。具体而言，我们在视觉编码器中提出了一种简单而有效的门控注意力机制（GAM），用于增强观测与潜在变量之间的信息交互，有效缓解可能出现的后验塌陷问题。此外，我们提出了一种基于分布解耦的对比学习（D2-CL），用于在潜在表示空间中对齐分类学层级表示的同时，指导学习分类相关信息。在公开可用数据集上的广泛实验证明了我们方法的最优性能。源代码可从https://github.com/seeyourmind/AEFR获取。
Keyword:
generalized zero-shot learning
gated attention mechanism
contrastive learning
multi-modal alignment
期刊
IF:
7.6
论文数:
4.9K
被引数:
8.9K
机构
引用论文
Zero-Shot Learning—A Comprehensive Evaluation of the Good, the Bad and the Ugly零拍学习 -- 综合评价好、坏、丑
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏Transformer-based Reasoning for Learning Evolutionary Chain of Events on Temporal Knowledge Graph
OAAI
OAAI分享收藏分享收藏
查看更多内容