BriefGPT - AI 论文速递
·
基于上下文和多样性驱动的合成零样本学习中的特异性
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
通过使用Composition Transformer（CoT）框架，提出了一种解决组合式零样本学习中的问题的方法。该方法在多个基准测试集上达到了最先进的性能，并展示了在提高视觉辨识能力和解决模型偏差方面的有效性。
🎯
关键要点
- 提出了一种基于Composition Transformer（CoT）框架的方法来解决组合式零样本学习中的问题。
- 该方法解决了上下文问题、视觉特征可辨识性问题和长尾分布问题。
- CoT框架通过自下而上的方式提取物体嵌入，并通过自上而下的方式生成属性嵌入。
- 开发了一种少数类属性增广（MAA）方法，通过混合图像和过采样合成虚拟样本。
- 该方法在多个基准测试集上达到了最先进的性能，包括MIT-States、C-GQA和VAW-CZSL。
- 展示了CoT在提高视觉辨识能力和解决模型偏差方面的有效性。
➡️
