.png){kind=icon}
返回
Zero-shot image classification based on class representation learning and attribute embedding learning
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0332797.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
零样本学习（ZSL）旨在通过利用已知类别的语义信息来对未见类别进行分类，以解决标记数据有限这一挑战。近年来，ZSL方法主要关注从图像中提取属性级特征，并在嵌入空间中将这些特征与语义特征对齐。然而，现有方法往往未能充分考虑同一属性内的显著视觉变化，导致产生噪声属性级特征，进而降低分类性能。为应对这些挑战，我们提出了一种新颖的零样本图像分类方法，命名为CRAE（类别表示与属性嵌入），该方法结合了类别表示学习和属性嵌入学习，以增强分类的鲁棒性和准确性。具体而言，我们设计了一种自适应Softmax激活函数来归一化属性特征图，有效减少噪声并提高属性级特征的判别性。此外，我们引入了基于硬样本选择的属性级对比学习，以优化属性嵌入空间，强化属性表示的独特性。为进一步提高分类精度，我们融入了类别级对比学习，以增强不同类别特征之间的分离度。我们在三个广泛使用的基准数据集（CUB、SUN和AWA2）上评估了该方法的有效性，实验结果表明，CRAE显著优于现有的最先进方法，证明了其在零样本图像分类中的卓越能力。
Keyword:
Zero-shot learning
attribute embedding
class representation
contrastive learning
image classification
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
.png){kind=icon}
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Task-Independent Knowledge Makes for Transferable Representations for Generalized Zero-Shot Learning
OAAI
OAAI分享收藏Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based LocalizationGrad-cam: 通过基于梯度的定位从深度网络进行视觉解释OAAI
OAAI分享收藏
查看更多内容