本文探讨了组合式零样本学习（CZSL）的新方法，包括因果启发的嵌入模型、交叉注意力机制和类别指定级联网络（CSCNet）。研究表明，这些方法在MIT-States和UT-Zappos等数据集上显著优于现有技术，提升了视觉对象和属性的识别能力，解决了数据不平衡和上下文问题。

本文介绍了一种解决组合式零样本学习中上下文问题、视觉特征可辨识性问题和真实世界组合数据长尾分布问题的方法。该方法使用Composition Transformer框架提取物体嵌入，并通过对象引导注意力模块生成属性嵌入。同时，还提出了少数类属性增广方法来解决数据分布不平衡问题。该方法在多个基准测试集上达到了最先进的性能，并有效提高了视觉辨识能力和解决模型偏差。

本文介绍了使用Composition Transformer（CoT）框架解决组合式零样本学习（CZSL）中的上下文问题、视觉特征可辨识性问题和真实世界组合数据的长尾分布问题的方法。CoT框架通过自下而上提取物体嵌入，并通过自上而下生成属性嵌入。同时，提出了少数类属性增广（MAA）方法解决数据分布不平衡引起的预测偏差。该方法在多个基准测试集上达到最先进性能，并展示了提高视觉辨识能力和解决数据分布不平衡的有效性。

研究人员提出了一种使用Composition Transformer（CoT）框架解决组合式零样本学习（CZSL）中上下文问题、视觉特征可辨识性问题和真实世界组合数据长尾分布问题的简单可扩展方法。CoT框架通过自下而上提取物体嵌入，并通过自上而下建模上下文性的对象引导注意力模块生成属性嵌入。研究人员还开发了少数类属性增广（MAA）方法，通过混合图像和过采样少数类属性合成虚拟样本，解决数据分布不平衡引起的预测偏差。该方法在多个基准测试集上达到最先进性能，展示了CoT在提高视觉辨识能力和解决数据分布不平衡引起的模型偏差方面的有效性。