返回
Distributed Zero-Shot Learning for Visual Recognition
DOI:10.1109/tmm.2026.3673561.png)
摘要
En 中文
本文提出了一种分布式零样本学习(DistZSL)框架,能够充分利用去中心化数据为未见类别学习有效模型。考虑到分布式节点间的数据异构性问题,我们引入两个关键组件以确保DistZSL的有效学习:跨节点属性正则化和全局属性-视觉共识。我们提出的跨节点属性正则化强制不同节点间属性特征的距离相似,以此方式使整体属性特征空间在学习过程中保持稳定,从而促进视觉-属性(V2A)关系的建立。随后,我们引入全局属性-视觉共识以缓解由单个节点学习的有偏V2A映射。具体而言,我们强制属性与视觉特征分布间的双向映射在不同节点上保持一致。因此,学习到的稳定V2A映射能显著提升不同节点间的零样本学习性能。大量实验表明,DistZSL在分布式数据学习方面优于当前最优方法。
Keyword:
Distributed learning
federated learning
zero-shot learning
期刊
IF:
9.7
论文数:
4.6K
被引数:
2.4W

