.png){kind=icon}
返回
Class-wise and instance-wise contrastive learning for zero-shot learning based on VAEGAN
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126671.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
广义零样本学习（GZSL）是零样本学习领域的进一步扩展，旨在解决在统一框架内同时分类已知和未知类别的问题。变分自编码器生成对抗网络（VAEGAN）模型因其能够生成高质量、多样化的特征而广受欢迎。此外，零样本学习领域的对比学习通过学习样本间的相似性和差异性，无需样本标签即可有效利用未标记数据。本文提出了一种基于VAEGAN的对比学习框架，用于类别级和实例级学习。首先，我们引入一个特征反馈模块，通过进一步处理经过类别间对比优化的特征以及视觉处理后的特征，并将它们反馈到VAEGAN模型中的解码器和编码器，以保持数据与生成特征之间的一致性。其次，引入实例级对比学习，使模型能够同时进行实例级对比和类别间对比。我们将生成的特征嵌入到嵌入空间中并应用非线性变换，使同类别的实例相互靠近而不同类别的实例相互远离，从而进一步提升分类性能。最后，我们在四个GZSL基准数据集上验证了我们的方法，证明了其优于当前最先进的方法。
Keyword:
Zero-shot learning
Machine learning
Generative models
Contrastive learning
Image classification
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Feature fine-tuning and attribute representation transformation for zero-shot learning零-shot学习中的特征微调和属性表示转换
PREAI
分享收藏Data driven recurrent generative adversarial network for generalized zero shot image classification
PREAI
分享收藏A Unified Approach for Conventional Zero-Shot, Generalized Zero-Shot, and Few-Shot Learning用于常规零射击，广义零射击和少射击学习的统一方法
OAAI
OAAI分享收藏
查看更多内容