典型文献
深度监督对齐的零样本图像分类方法
文献摘要：
针对零样本图像分类中属性向量的类别区分性差及对可见类别产生分类偏好的问题,提出一种深度监督对齐的零样本图像分类(DSAN)方法.DSAN构造类语义的全局监督标记,与专家标注的属性向量联合使用以增强类语义间的区分性.为了对齐视觉空间和语义空间的流形结构,采用视觉特征和语义特征分类网络分别学习2种空间特征的类别分布,并且无差异地对齐两者的分布.利用生成对抗网络的原理消除特征间的本质差异,以按位加的方式合并视觉特征和类语义特征,并利用关系网络学习两者间的非线性相似度.实验结果表明,DSAN在CUB、AWA1和AWA2数据集上对可见类别和未见类别的调和平均分类准确率比基线模型分别提高了4.3％、19.5％和21.9％;在SUN和APY数据集上,DSAN方法的调和平均分类准确率分别比CRnet方法高1.4％和2.2％,这些结果证明所提方法的有效性.
文献关键词：
零样本学习;属性向量;关系网络;跨模态;生成对抗网络
中图分类号：
作者姓名：
曾素佳;庞善民;郝问裕
作者机构：
西安交通大学软件学院,陕西西安710049
文献出处：
引用格式：
[1]曾素佳;庞善民;郝问裕-.深度监督对齐的零样本图像分类方法)[J].浙江大学学报（工学版）,2022(11):2204-2214
A类：
DSAN,AWA1,AWA2,APY,CRnet
B类：
深度监督,对齐,零样本图像分类,分类方法,属性向量,别区,区分性,联合使用,视觉空间,语义空间,流形结构,视觉特征,语义特征,特征分类,分类网络,空间特征,异地,生成对抗网络,本质差异,关系网络,网络学习,CUB,调和平均,平均分,分类准确率,比基,基线模型,SUN,零样本学习,跨模态
AB值：
0.298002
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
