Siamese Contrastive Embedding Network for Compositional Zero-Shot Learning 
组成零射击学习（CZSL）旨在识别训练期间由可见状态和物体形成的看不见的构图。由于与不同对象纠缠的视觉外观中相同的状态可能是不同的，因此CZSL仍然是一项艰巨的任务。某些方法使用两个训练有素的分类器识别状态和对象，而忽略了对象与状态之间的相互作用的影响；其他方法试图学习状态对象组成的联合表示，从而导致可见和看不见的组成集之间的域间隙 ...
0 0 0 2025/05/04 arXiv:2206.14475v1 kkkkk
Disentangling Visual Embeddings for Attributes and Objects 
我们研究了对象 - 属性识别的组成零射击学习问题。先前的作品使用用骨干网络提取的视觉功能，预先训练对象分类，因此不会捕获与属性相关的巧妙不同特征。为了克服这一挑战，这些研究采用了语言空间的监督，并使用预训练的单词嵌入更好地分开并构成属性对象对以识别 ...
0 0 0 2025/05/04 arXiv:2205.08536v1 kkkkk
Learning Invariant Visual Representations for Compositional Zero-Shot Learning 
组成零射击学习（CZSL）旨在使用从训练集中的属性对象组成中学到的知识来识别新的构图。先前的工作主要将图像和组合物投影到共同的嵌入空间中，以测量其兼容性评分。但是，属性和对象都共享上面学到的视觉表示，导致模型利用虚假的相关性和对可见对的偏差 ...
0 0 0 2025/05/04 arXiv:2206.00415v3 kkkkk
Symmetry and Group in Attribute-Object Compositions 
属性和物体可以构成各种组成。为了建模这些一般概念的组成性质，是通过转换（例如耦合和去耦）学习它们的好选择。但是，复杂的转换需要满足特定原则以确保合理性 ...
0 0 0 2025/05/04 arXiv:2004.00587v1 kkkkk
Open World Compositional Zero-Shot Learning 
组成零射击学习（CZSL）需要识别训练期间看不见的状态对象组成。在这项工作中，我们没有在开放世界中运作，而不是假设对看不见的作品的先验知识，在该环境中，搜索空间包含大量未见构图，其中一些可能是不可行的。在这种情况下，我们从视觉特征和组成嵌入之间的余弦相似性开始 ...
0 0 0 2025/05/04 arXiv:2101.12609v3 kkkkk
Learning Graph Embeddings for Compositional Zero-shot Learning 
在组成零射的学习中，目标是识别观察到的视觉原始态的看不见的组成（例如老狗）（e ...
0 0 0 2025/05/04 arXiv:2102.01987v3 kkkkk
Task-Driven Modular Networks for Zero-Shot Compositional Learning 
人类智能的标志之一是能够将学习的知识撰写成新颖的概念，而这些知识可以在没有单个培训示例的情况下被认可。相反，当前的最新方法需要为每个可能的类别进行数百个培训示例，以构建可靠和准确的分类器。为了减轻效率的显着差异，我们提出了一个任务驱动的模块化体系结构，用于组成推理和样本有效学习 ...
0 0 0 2025/05/04 arXiv:1905.05908v1 kkkkk
Attributes as Operators: Factorizing Unseen Attribute-Object Compositions 
我们提出了一种建模视觉属性的新方法。先前的工作将属性与对象相似，学习属性的潜在表示（例如， ...
0 0 0 2025/05/04 arXiv:1803.09851v2 kkkkk

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）