qq_43215318的博客

Accepted 14 April 2021（Neural Networks）零样本学习 (ZSL) 旨在在没有可用于对象类的训练数据时识别图像中的对象。在广义零样本学习（GZSL）设置下，测试对象属于可见或不可见类别。在最近的许多研究中，零样本学习是通过利用生成网络从特定类别的语义特征中合成看不见的类别的视觉特征来执行的。用户定义的语义信息不完整，缺乏可辨别性。然而，大多数生成方法直接使用用户定义的语义信息作为生成模型的约束条件，这使得模型合成的视觉特征缺乏多样性和可分离性。在本文中，我们提出了一种利用

Accepted 23 December 2020（Information Sciences）解决 ZSL 的传统方法是生成不可见类的样本，将其转换为监督任务。然而，这些伪样本的质量对于模型性能至关重要。在本文中，我们提出了一个新的网络，称为跨类生成网络，它包括两个新的端到端模型，为看不见的类生成高质量的样本。与以前的工作不同，我们提出的模型通过可见类的样本直接生成未见类的样本。结果，生成的样本与真实样本的分布更相似。此外，我们提出了一个类内熵来衡量选择合适的源-目标对的差异程度。据我们所知，这种类内熵是

CVPR 2021 paper广义零样本学习（GZSL）的目标是当只提供可见类的已标记示例来识别可见类和不可见类的对象。生成模型可以合成不可见的类中缺失的视觉特征，以减轻GZSL中的数据不平衡问题。然而，由于原始的视觉特征空间缺乏区分信息，对于GZSL分类是次优的。我们建议将生成模型与嵌入模型集成，从而产生一个混合的GZSL框架。混合GZSL方法将生成模型产生的真实样本和合成样本映射到一个嵌入空间中，在那里我们执行最终的GZSL分类。具体来说，我们为我们的混合GZSL框架提出了一个对比嵌入（CE）。所提出