因果门控模型

引入结构因果模型提取因果特征，缓解广义零样本学习中未见类被误判为已见类的问题，在多个基准上显著提升分类精度。

Shansong, Wang · 曾庆田 · Yuan, Guiyuan · Ni, Weijian · 李超 · 段华 · 谢能付 · Fengjin, Xiao · Yang, Xiaofeng

Computers and Electronics in Agriculture 2025

参数信息

GZSL分类精度提升（APTV99）

5.2 %

GZSL分类精度提升（ADTV68）

1.4 %

技术优势

缓解误分类

通过结构因果模型提取因果特征，降低非因果特征对已见与未见类别区分的模糊影响。

自适应分类

为每个已见类别确定边界阈值，样本与所有已见属性相似度低于阈值时判定为未见类别，实现动态分类。

应用场景

• 农作物病虫害识别：无需大量标注样本即可识别罕见病虫害，辅助早期防治。
• 稀缺类别图像分类：能对样本稀缺类别进行准确分类，解决数据获取难题。
• 零样本图像分类：在未见类别上实现高精度识别，扩展模型适用范围。
• 图像分类模型：提供一种新的模型结构，可集成到现有分类系统中。