基于内分歧的面向对象检测器广义零样本学习的语义不确定性传递网络

零次学习（ZSL）旨在识别来自未见过的类别的对象，其中关键是通过建立视觉和语义特征之间的适当映射，将知识从已见过的类别转移到未见过的类别。目前，由于各种因素，许多现有工作中的知识转移受到了很大的限制：
(i) 广泛使用的视觉特征是全局的，并且它们与语义属性不完全一致；
(ii) 只学习了一种映射，它无法有效地模拟各种视觉-语义关系；
(iii) 无法有效处理广义ZSL（GZSL）中的偏见问题。

在本文中，我们提出了两种技术来减轻这些限制。首先，我们提出了一个语义多样性转移网络（SetNet）来解决前两个限制，其中：
1) 提出了一个多重注意力架构和一个多样性正则化器，用于学习与语义属性更一致的多个局部视觉特征；
2) 提出了一个投影器集合，它从几何上接受多种局部特征作为输入，以多样化视觉-语义关系。