Aprendizaje de conceptos condicionales de doble corriente en el aprendizaje de composición de tiro cero

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• El aprendizaje composicional de tiro cero (CZSL) se enfrenta a desafíos en el modelado de interacciones atributo-objeto y atributo-objeto.
• El modelado preciso es crucial para reconocer conceptos invisibles formados por componentes conocidos.

Objetivo del estudio:

• Para abordar el problema de modelado de la interacción en CZSL.
• Proponer una nueva red condicional de doble flujo (DSCNet) para mejorar el rendimiento de CZSL.

Principales métodos:

• DSCNet aprende conceptos condicionales de doble flujo, generando incorporaciones visuales y semánticas condicionales para atributos y objetos.
• Un flujo semántico codifica la semántica del objeto / atributo y las características de la imagen, creando incrustaciones semánticas condicionales a través de un codificador cruzado.
• Una corriente visual genera incorporaciones visuales condicionales mediante la integración de características semánticas en las características visuales.

Principales resultados:

• El método DSCNet propuesto demuestra un rendimiento superior con respecto a los parámetros de referencia CZSL estándar.
• Los resultados experimentales validan la eficacia del enfoque de aprendizaje condicional de doble flujo.

Conclusiones:

• La DSCNet modela efectivamente las interacciones atributo-objeto y atributo-objeto en CZSL.
• La estrategia de incorporación condicional propuesta avanza significativamente el estado de la técnica en el aprendizaje de composición de tiro cero.