《表5 在不同数据集中,各个模型在GZSL任务中的Top-1准确率(%)(续)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于知识的零样本视觉识别综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本节在前面第2节的模型梳理工作基础上，并结合文献[4]中实验部分的工作，从每个类别的方法中分别抽取了1～2个较新的模型来展示其实验结果，并在部分研究者们公布的源代码（COSMO[156]，https://github.com/yuvalatzmon/COSMO；RKT[151]，https://github.com/LiangjunFeng/Implement-of-ZSL-algorithms；文献[68]，https://github.com/lzrobots/DeepEmbeddingModel＿ZSL；EXEM[89]，https://github.com/pujols/Zero-shot-learning-journal；BMVSc[77]，https://github.com/raywzy/VSC；ListGAN[83]，https://github.com/lijin118/LisGAN；ADGPM[131]，https://github.com/cyvius96/DGP；CADA-VAE[103]，https://github.com/edgarschnfld/CADA-VAE-PyTorch；GCNZ[131]，https://github.com/JudyYe/zero-shot-gcn）基础上对相关模型进行了验证（未公布源码的模型均根据作者文中描述进行实现），算法运行平台为GPU TITAN Xp×2，显存为12×2GB.在表4中，从上到下的模型类别依次为基于属性迁移、正向映射、反向映射、双向映射、共同映射、其他映射、视觉类原型、数据流形分布、数据概率分布、引入外部描述、引入外部知识库的模型，依次对应了表4中第1、2-3、4-5、6、7、8-10、11、12、13-18、19、20个模型.表5则为对应模型在GZSL中的实验结果.需要指出的是，表格中带*号的是直推式的模型，字体加粗的模型则打破了“样本级别，源域目标域数据分布一致”潜在假设.需要注意的是，表4和表5中‘SS’和‘PS’的定义与文献[4]保持一致，分别表示传统的数据集分割标准和新提出的数据集分割标准.后者在一定程度上防止了预训练增益，使得在该标准下的实验结果更具科学性.而表5中ts、tr、H分别表示模型在GZSL任务中，目标域类别、源域类别的实验效果以及前两者的调和平均数.