English(EN) CV-DCLR: Causal-Visual Dynamic Label Refinement for Robust Zero-Shot Learning

新的CV-DCLR框架解决了零样本学习中的语义纠缠问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 04:00

研究人员推出了一种新颖的CV-DCLR框架，旨在解决零样本学习（ZSL）中的语义纠缠问题。当概念的视觉表征与视觉上相似但语义上不同的概念混淆时，就会出现此问题，从而阻碍准确的知识转移。CV-DCLR采用双流互纠正机制，包括视觉似然流和因果重要性流，以细化视觉-语义关联。通过使用反事实干预和自适应门控机制，该框架放大了因果特征并抑制了不相关的干扰项，即使在具有挑战性的纠缠条件下，在CUB、SUN和AWA2等基准测试中也表现出强大的性能。 AI

影响通过将真实类别身份与语义混淆项分离，提高了零样本学习的鲁棒性。

排序理由该集群包含一篇详细介绍零样本学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Can Wang, Jiangnan Li, Mingyu Li, Yining Song, Kangrui Ren, Min Gan, Jinfu Fan · 2026-07-07 04:00

CV-DCLR: Causal-Visual Dynamic Label Refinement for Robust Zero-Shot Learning

arXiv:2607.02601v1 Announce Type: new Abstract: Zero-Shot Learning (ZSL) facilitates knowledge transfer via shared semantic spaces. However, a critical bottleneck in this paradigm is Semantic Entanglement, where visual representations are inevitably conflated with visually simila…

报道来源 [1]

CV-DCLR: Causal-Visual Dynamic Label Refinement for Robust Zero-Shot Learning

相关实体

相关话题