CSCNET: Class-Specified Cascaded Network for Compositional Zero-Shot Learning

属性和对象（A-O）的分离是组合式零样本学习（CZSL）中一个基本且关键的问题，其目的是基于先前的知识识别新的A-O组合。现有的基于分离表示学习的方法忽略了A-O原始对之间的上下文依赖关系。在此启发下，我们提出了一种新的CZSL A-O分离框架，即类别指定级联网络（CSCNet）。其关键洞察是首先对一个原始进行分类，然后将预测的类别指定为先验，以引导级联识别另一个原始。为此，CSCNet构建了属性到对象和对象到属性的级联分支，以及一个将两个原始作为整体建模的组合分支。值得注意的是，我们设计了一个参数分类器（ParamCls）来提高视觉和语义嵌入之间的匹配。通过改善A-O分离，我们的框架实现了比以前竞争方法更优秀的结果。

本篇论文旨在解决组合式零样本学习中属性和对象之间的解耦问题，提出了一种新的框架来实现属性-对象（A-O）解耦。

本文提出了一种类别指定的级联网络（CSCNet）框架来解决A-O解耦问题，该框架通过级联分支来指定一个原语并将其作为先验知识来指导另一个原语的识别。

论文提出了ParamCls来改善视觉和语义嵌入之间的匹配，实验结果表明该框架在组合式零样本学习中表现出优异的性能。

在最近的相关研究中，也有一些关于组合式零样本学习的研究，如《Zero-shot Learning via Simultaneous Generating and Learning》、《Dual Adversarial Inference for Text-to-Image Synthesis》等。