一种用于零射击学习的迭代协同训练传递框架

零样本学习（ZSL）的目的是识别来自未见过的类别的样本。大多数现有的ZSL方法都集中在使用已见类数据集来学习适当的视觉-语义映射。但是，这些方法通常受到领域偏移问题的困扰，因为从已见类领域学到的视觉-语义映射通常与未见类领域中的映射不一致。在本文中，我们提出了一个名为CTF-ZSL的ZSL的共训绎性框架，通过有效地使用未标记的未见类数据来减轻领域偏移问题，其中两个基本的ZSL模型根据标签交换方案进行迭代共训，以同时学习视觉-语义映射。具体来说，在每一个迭代步骤中，首先训练两个模型通过它们相应的训练集，然后使用训练好的模型分别预测未见类数据集上的伪标签。然后根据标签交换方案使用这两组伪标签从未见类数据集中选择两个子集进行模型的再训练。在CTF-ZSL框架下，基模型和标签交换方案都是关键，因此我们提出两种标签交换方案来选择未见类子集，并为CTF-ZSL框架设计两种类型的模型配置。此外，我们将提出的框架适应到广义ZSL（GZSL）。为了减轻GZSL中的偏差问题，我们提出了一个新的语义引导的OOD检测器，在类级分类之前挑选出未见类的样本。在三个基准测试上的实验结果表明，所提出的方法明显优于30种最先进的方法。