公开(公告)号：CN118504656A

公开(公告)日：2024-08-16

申请号：CN202410694396.8

申请日：2024-05-31

Applicant: 重庆大学

Inventor： 黄晟 ,  张卓尔 ,  王一杰 ,  王海林 ,  刘倍言 ,  石华展 ,  葛永新 ,  徐玲 ,  洪明坚 ,  杨梦宁

IPC: G06N3/096 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/084 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明涉及一种对比扩散零样本学习方法，主要由语义引导的扩散对抗网络模型，对比嵌入模型E以及条件化去噪CD构成。其中S‑DDGAN作为本发明方法的核心，专门设计来解决GZSL中样本质量、模式覆盖及计算成本的均衡问题。在E部分，提出了一种创新架构以应对GZSL中合成视觉特征与语义信息不匹配的挑战。该模型通过在新的嵌入空间内实施对比学习策略，有效提升了分类性能。通过CD环节，利用分类器优化扩散生成器，确保了生成特征的有效性，从而提高判别性分类器的训练效果。

公开(公告)号：CN118504656B

公开(公告)日：2024-09-27

申请号：CN202410694396.8

申请日：2024-05-31

Applicant: 重庆大学

Inventor： 黄晟 ,  张卓尔 ,  王一杰 ,  王海林 ,  刘倍言 ,  石华展 ,  葛永新 ,  徐玲 ,  洪明坚 ,  杨梦宁

IPC: G06N3/096 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/084 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明涉及一种对比扩散零样本学习方法，主要由语义引导的扩散对抗网络模型，对比嵌入模型E以及条件化去噪CD构成。其中S‑DDGAN作为本发明方法的核心，专门设计来解决GZSL中样本质量、模式覆盖及计算成本的均衡问题。在E部分，提出了一种创新架构以应对GZSL中合成视觉特征与语义信息不匹配的挑战。该模型通过在新的嵌入空间内实施对比学习策略，有效提升了分类性能。通过CD环节，利用分类器优化扩散生成器，确保了生成特征的有效性，从而提高判别性分类器的训练效果。