Fine-Grained Generalized Zero-Sh

姓名：寇世文

学号：21011110234

【嵌牛导读】Fine-Grained Generalized Zero-Shot Learning via Dense Attribute-Based Attention文章简介

【嵌牛鼻子】零样本学习

【嵌牛提问】目前零样本算法发展现状如何？

【嵌牛正文】

1、相关概念与发展现状

语义嵌入： D. Huynh, Changpinyo, Frome, Norouzi等人通过语义嵌入的方法将知识迁移到不可见类上，但这些方法通常将视觉或语义整体投影，discriminative 的属性或视觉特征.

生成方法： cycle-(U)WGAN，f-VAEGAN-D2，CADA-VAE，f-CLSWGAN利用类语义属性生成图像特征，将零样本转化为监督分类问题，但是它只合成了全局的高级语义特征，没有针对最能体现属性的区域进行优化生成。

[Y. Fu，和Kodirov] 针对漂移问题，提出了迁移学习在零样本分类中的应用，在该场景中，在训练过程中，可以简单无标签的未知类图片，从而学习测试集的数据分布。

Yu et al. and Zhu 尝试通过探索有效的图片区域来解决细分类零样本学习问题

贡献：

利用注意力机制，将attribute-base特征与之语义信息向量对齐，而非将整张图片特征与语义信息向量对齐。

2、相关工作

[Y. Fu，和Kodirov] 针对漂移问题，提出了迁移学习在零样本分类中的应用，在该场景中，在训练过程中，可以简单无标签的未知类图片，从而学习测试集的数据分布。

Yu et al. and Zhu 尝试通过探索有效的图片区域来解决细分类零样本学习问题

[33, 34, 35] 提出全局图像特征的方法来捕获细分类细节

[12, 36] 通过part-based supervision 来定位图像中特定的区域

[37, 10, 7, 38] 通过弱监督来定位这些特征的区域

以上的方法对于不可见类来说只能的带高级特征描述，因此不能很好地应用在零样本的情况下。

[cycle-(U)WGAN，f-VAEGAN-D2，CADA-VAE，f-CLSWGAN] 生成不可见类的特征，将零样本问题变成监督分类问题。

3、算法模型

4、目标函数

5、实验结果