基于多尺度通道感知解耦的组合零样本学习方法分析.pdfVIP

Applications创新应用

基于多尺度通道感知解耦的组合零样本

学习方法分析

朱润锴，徐小良

（杭州电子科技大学计算机学院，浙江310018）

摘要：阐述组合零样本学习（CZSL）技术的特点，它通过学习可见属性和对象的表示，泛化到从未见

过的组合类别。现有方法通常面临属性与对象特征耦合、缺乏泛化能力的问题。针对这一问题，提出了

一种多尺度通道感知解耦方法，通过在ResNet网络的不同层级嵌入通道感知解耦模块（CAD），实现了

属性与对象特征在通道层面的有效分离，并兼顾浅层与深层特征的表达能力。实验结果表明，此方法在

UT-Zappos和MIT-States两个主流组合零样本学习数据集上取得了显著的性能提升，为视觉组合特征解

耦提出了新的思路。

关键词：组合零样本学习，特征解耦，通道感知，多尺度。

中图分类号：TP18，TP391文章编号：1674-2583(2024)12-0387-03

DOI：10.19339/j.issn.1674-2583.2024.12.184

文献引用格式：朱润锴，徐小良.基于多尺度通道感知解耦的组合零样本学习方法分析[J].集成电路应用,

2024,41(12):387-389.

AnalysisofMulti-ScaleChannel-Aware

DisentanglementforCompositionalZero-shotLearning

ZHURunkai,XUXiaoliang

(SchoolofComputer,HangzhouDianziUniversity,Zhejiang310018,China.)

Abstract—Thispaperdescribesthatcompositionalzero-shotlearning(CZSL)aimstolearn

representationsofobservedattributesandobjectsandthengeneralizetounseenattribute-object

composition.However,existingmethodsoftenencounterissueswithattribute-objectfeaturecoupling

andlimitedgeneralizationcapabilities.Toaddressthesechallenges,weproposeamulti-scalechannel-

awaredisentanglementapproach.ByembeddingaChannel-AwareDisentanglement(CAD)module

intodifferentlayersofaResNetnetwork,ourmethodeffectivelyseparatesattributeandobjectfeatures

atthechannellevelwhilepreservingtherepresentationalstrengthsofbothshallowanddeeplayers.

ExperimentalresultsontwobenchmarkCZSLdatasets,UT-ZapposandMIT-States,demonstrate

thatourapproachsignificantlyimprovesperformance,thusofferinganewperspectivefordisentangling

visualcompositionalfeatures.

IndexTerms—compositionalzero-shotlearning,featuredisentanglement,channelaware,multi-

scale.

0引言密耦合，如何有效解耦并泛化至新的组合是关键。

深度学习在有标注的大规模数据集上取得了1研究背景

不错表现。然而现实场景中，模型往往需要处理从