摘要

组合零样本学习（Compositional Zero-Shot Learning, CZSL）旨在训练模型识别基于已学习概念（如属性-物体组合）的新型组合概念。其中一项主要挑战在于建模属性与不同物体之间的交互关系，例如“湿的苹果”与“湿的猫”中的“湿”这一属性所表达的语义存在差异。为此，本文进行了深入分析并提出观点：属性应依赖于所识别的物体及输入图像。为此，我们提出一种新的属性学习框架，包含属性超网络（attribute hyper learner）和属性基础学习器（attribute base learner），用于学习条件化属性嵌入。通过编码条件化属性，我们的模型能够生成灵活的属性嵌入，从而实现从已见组合到未见组合的泛化能力。在CZSL基准数据集上的实验，包括更具挑战性的C-GQA数据集，结果表明，本方法在性能上优于其他先进方法，充分验证了学习条件化属性的重要性。代码已开源，地址为：https://github.com/wqshmzh/CANet-CZSL。