多粒度对比零样本学习模型

跨数据集精度双提升

通过属性分解和全局-局部对比学习，在传统与广义零样本设置下均取得稳定提升。

王元龙 · Jing, Wang · Yue, Fan · 柴清华 · 张虎 · 李晓莉 · 李茹

Information Processing and Management 2025

参数信息

传统ZSL精度提升（AWA2）
2.2 %
传统ZSL精度提升（SUN）
5.4 %
广义ZSL精度提升（AWA2）
2.5 %
广义ZSL精度提升（CUB）
1.6 %
广义ZSL精度提升（SUN）
6.3 %

技术优势

关键属性找准了

通过属性分解区分关键属性和普通属性，并用关键属性掩码预测提升普通属性的重要性，使模型更关注判别性语义。

全局局部一起看

借鉴Navon的全局-局部范式设计的对比学习模型，同时结合全局学习模块和局部学习模块，强化了全局与局部信息的交互。

多个基准都提升

在三个公开零样本基准数据集上，传统ZSL和广义ZSL设置下的精度均优于现有模型，验证了方法的有效性。

应用场景