摘要

我们提出了一种新颖的组合式生成模型，用于零样本和少样本学习，以识别仅具有少量或无训练样本的细粒度类别。我们的核心观察是：为细粒度类别生成整体特征难以捕捉类别之间的细微属性差异。为此，我们提出了一种特征组合框架，该框架通过从训练样本中学习属性特征，并将其组合以构建罕见及未见类别的细粒度特征。特征组合不仅能够仅从相关训练样本中选择性地组合每个类别的特征，还能通过改变用于组合的样本，实现组合特征之间的多样性。此外，我们不直接构建类别的整体特征，而是利用属性特征构建密集表示，从而能够捕捉类别间的细粒度属性细节。我们设计了一种训练方案，使用判别模型生成特征，这些特征随后用于训练模型自身。因此，我们直接在组合特征上训练判别模型，无需单独学习生成模型。我们在DeepFashion、AWA2、CUB和SUN四个主流数据集上进行了实验，结果验证了所提方法的有效性。