구성적 제로샷 학습을 위한 조건부 속성 학습

조합적 제로샷 학습(Compositional Zero-Shot Learning, CZSL)은 속성-객체 조합과 같은 학습된 개념을 기반으로 새로운 조합적 개념을 인식할 수 있도록 모델을 훈련하는 것을 목표로 한다. 이 과정에서 주요 과제 중 하나는 서로 다른 객체와 상호작용하는 속성을 모델링하는 것이다. 예를 들어, "젖은 사과(wet apple)"와 "젖은 고양이(wet cat)"에서 "젖은(wet)"이라는 속성은 각각 다른 의미를 지닌다. 이를 해결하기 위해 본 연구는 속성이 인식된 객체와 입력 이미지에 조건부로 의존한다는 분석을 제시하고, 조건부 속성 임베딩을 학습하기 위한 새로운 속성 학습 프레임워크를 제안한다. 이 프레임워크는 속성 하이퍼 러너(attribute hyper learner)와 속성 베이스 러너(attribute base learner)로 구성되어 있으며, 조건부 속성 임베딩을 인코딩함으로써, 이미 보인 조합에서 보지 않은 조합으로의 일반화를 가능하게 한다. CZSL 기준 데이터셋, 특히 더 도전적인 C-GQA 데이터셋을 대상으로 한 실험 결과는 기존 최첨단 방법들과 비교하여 우수한 성능을 보이며, 조건부 속성 학습의 중요성을 입증한다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/wqshmzh/CANet-CZSL