.png){kind=icon}
返回
Multi-Level Contextual Prototype Modulation for Compositional Zero-Shot Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3592560.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
组合零样本学习（CZSL）旨在通过利用已知基本元素的先验知识来识别未见过的属性-对象组合。然而，属性和对象的真实世界视觉特征往往相互纠缠，导致已知和未见组合之间的分布偏移。现有方法通常忽略基本元素之间的内在变化和相互作用，导致特征判别能力差和预测偏差。为解决这些挑战，我们提出了多级上下文原型调制（MCPM），这是一种基于变换器的层次化框架，能够有效整合属性和对象以生成更丰富的视觉嵌入。在特征层面，我们应用对比学习以提高组合任务间的判别性。在原型层面，一个子类驱动的调制器捕获精细的属性-对象交互，从而更好地适应长尾分布。此外，我们引入了少数属性增强（MAE）策略，通过混合属性类别合成虚拟样本，进一步缓解数据不平衡。在四个基准数据集（MIT-States、C-GQA、UT-Zappos和VAW-CZSL）上的实验表明，MCPM带来了显著的性能提升，验证了其在复杂组合场景中的有效性。
Keyword:
Compositional zero-shot learning
vision transformer
subclass discrimination
contrastive learning
data augmentation
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
分享收藏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
OAAI分享收藏
查看更多内容