摘要：由于可見類和未見類目標(biāo)數(shù)據(jù)分布的差異性，目前基于映射遷移策略的零樣本目標(biāo)檢測算法在測試時容易偏向可見類別的目標(biāo)，且因為不同類別在屬性上的相似性，特征分布比較混亂。本文提出一種新的零樣本目標(biāo)檢測框架，利用所設(shè)計的先驗知識提取模塊和自上而下注意力機(jī)制模塊，為檢測過程提供任務(wù)導(dǎo)向，引導(dǎo)模型在訓(xùn)練期間關(guān)注出現(xiàn)的未見類特征，提高模型對不同數(shù)據(jù)分布的判別性；還設(shè)計了一種新的對比約束以提高特征之間的聚類能力；在MSCOCO 標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行了大量實(shí)驗。結(jié)果表明，該模型在標(biāo)準(zhǔn)和廣義零樣本目標(biāo)檢測任務(wù)上都取得了顯著效果。

關(guān)鍵詞：計算機(jī)視覺；目標(biāo)檢測；零樣本目標(biāo)檢測；自上而下注意力機(jī)制；對比約束

中圖分類號：TP391.4 文獻(xiàn)標(biāo)志碼：A

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，計算機(jī)視覺領(lǐng)域已經(jīng)取得了巨大的進(jìn)步，各種目標(biāo)檢測算法[1-3] 相繼出現(xiàn)，顯著地提升了檢測性能。然而，這些目標(biāo)檢測算法都依賴于大規(guī)模的標(biāo)注數(shù)據(jù)，由于實(shí)際場景中自然界的目標(biāo)服從長尾分布[4-6]，很多目標(biāo)的標(biāo)注數(shù)據(jù)難以獲取，檢測器也無法自主地將識別能力推廣和優(yōu)化，導(dǎo)致網(wǎng)絡(luò)的性能大幅度下降。

為解決上述問題，一些研究[7-9] 提出了零樣本目標(biāo)檢測任務(wù)（Zero-Shot Object Detection， ZSD），它的靈感源于人類可以通過以往的經(jīng)驗或者知識快速學(xué)習(xí)新概念，旨在同時定位和識別訓(xùn)練過程中未見過的新目標(biāo)。目前，大多數(shù)ZSD 模型基于一種嚴(yán)格的映射遷移策略[10-13]，即在訓(xùn)練階段利用可見類別數(shù)據(jù)，結(jié)合類別語義嵌入向量，學(xué)習(xí)視覺特征到語義特征的映射函數(shù)，并將其遷移到未見類數(shù)據(jù)，識別新的目標(biāo)。還有一些學(xué)者[14-16] 使用生成模型來合成未見類目標(biāo)的特征，并重新訓(xùn)練分類器，將零樣本學(xué)習(xí)過程轉(zhuǎn)換成有監(jiān)督學(xué)習(xí)。

然而，由于可見類數(shù)據(jù)和未見類數(shù)據(jù)之間數(shù)量不同、種類不同，數(shù)據(jù)分布存在較大差異，而模型訓(xùn)練時只利用可見類樣本，這使得測試時容易將未見類目標(biāo)識別為可見類目標(biāo)，造成嚴(yán)重的域偏移問題，特別是當(dāng)面對更具挑戰(zhàn)性的廣義零樣本目標(biāo)檢測（Generalized Zero-Shot Object Detection， GZSD） 任務(wù)，需要同時檢測出數(shù)據(jù)中的可見類別目標(biāo)和未見類別目標(biāo)時，模型的遷移能力會更差。為此，研究者已經(jīng)做了大量的工作[17-19]，但這些方法大多利用類別之間的連接關(guān)系，或者利用圖卷積神經(jīng)網(wǎng)絡(luò)[20]，挖掘類別屬性上的關(guān)聯(lián)，彌補(bǔ)訓(xùn)練時未見類別目標(biāo)信息的缺失。盡管這些工作有一定的效果，它們只是學(xué)習(xí)一個通用的零樣本目標(biāo)檢測器，忽略了檢測任務(wù)對模型的引導(dǎo)作用，無法突出未見類目標(biāo)的特征。

本文設(shè)計了一種基于自上而下的注意力機(jī)制零樣本目標(biāo)檢測框架，利用所提出的先驗知識提取模塊，在訓(xùn)練期間注入未見類別的先驗知識，為模型的訓(xùn)練提供任務(wù)導(dǎo)向，提高對未見類目標(biāo)的注意力，并結(jié)合對比約束，增強(qiáng)同一類別之間的相似性，提高最終的檢測精度。

1 研究現(xiàn)狀

1.1 目標(biāo)檢測

目標(biāo)檢測作為計算機(jī)視覺領(lǐng)域最基礎(chǔ)、最具挑戰(zhàn)性的任務(wù)之一。近年來，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，已經(jīng)得到了廣泛的關(guān)注與進(jìn)步，各種高效、杰出的算法[1-2， 21] 不斷出現(xiàn)，極大地提高了檢測的精度與速度。目前的目標(biāo)檢測模型大致分為兩種形式： （1） 一階段模型， 如SSD（Spatial PyramidPooling）[22]、YOLO（You Only Look Once）[23-24] 系列、RetinaNet[2] 等，這類模型同時進(jìn)行分類和定位，因此檢測速度較快； （2） 二階段模型，如SPP-net（SpatialPyramid Pooling Convolutional Networks）[25]、Faster RCNN（Faster Region-based Convolutional NeuralNetworks）[1]、R-FCN（Region-based Fully ConvolutionalNetworks）[26]、Mask R-CNN（Mask Region-basedConvolutional Neural Networks）[27] 等，這類模型將檢測過程分為兩步：第1 步生成建議框，確定哪個框里包含檢測目標(biāo)；第2 步對高置信度的建議框進(jìn)行分類和定位。由于第1 步篩選出了高質(zhì)量的候選框，所以二階段模型在算法精度上更具優(yōu)勢，但檢測速度卻遜于一階段模型。此外，隨著Transformer 的迅速崛起，為獲取上下文信息，出現(xiàn)了許多基于Transformer的目標(biāo)檢測算法，如DETR（DEtection TRansformer）[21]、Deformable DETR[28]等。盡管這些方法取得了不錯的效果，但它們都基于大量的訓(xùn)練數(shù)據(jù)，并且測試數(shù)據(jù)的目標(biāo)類別與訓(xùn)練數(shù)據(jù)一致，無法泛化到未見類別目標(biāo)的檢測。由于Faster R-CNN[1] 精度較高，可擴(kuò)展性較強(qiáng)，已經(jīng)被廣泛應(yīng)用到很多領(lǐng)域，所以本文選擇Faster R-CNN[1]作為研究的基礎(chǔ)網(wǎng)絡(luò)。

1.2 零樣本學(xué)習(xí)

零樣本學(xué)習(xí)[29]（Zero-Shot Learning， ZSL） 是計算機(jī)視覺領(lǐng)域的一個經(jīng)典問題，它主要模仿人類識別新目標(biāo)的能力，旨在利用可見類別的信息，結(jié)合語義嵌入向量如文本描述、類別屬性向量、詞向量等，將分類能力從特征豐富的源域遷移到目標(biāo)域，進(jìn)而識別未見類別的實(shí)例。目前，關(guān)于ZSL 的研究非常多樣化，如基于生成對抗網(wǎng)絡(luò)的方法[30-33]，基于獨(dú)立屬性分類器的方法[34-36] 等。本文主要關(guān)注的基于映射函數(shù)的方法，即利用所提供的語義信息，學(xué)習(xí)一個視覺-語義空間的映射函數(shù)。根據(jù)所映射到的空間的不同，可分為3 種類型：（1）學(xué)習(xí)將特征從視覺空間映射到語義空間的映射函數(shù)[37]；（2）學(xué)習(xí)將特征從語義空間映射到視覺空間的映射函數(shù)[38]；（3）將視覺特征和語義特征映射到公共的空間[39]。然而，在現(xiàn)實(shí)的應(yīng)用場景中，我們需要的可能不僅僅是物體的類別，還需要對物體進(jìn)行定位，所以ZSD 便應(yīng)運(yùn)而生。

1.3 零樣本目標(biāo)檢測

ZSD 作為一個近些年新提出的任務(wù)，已經(jīng)引起了不少的關(guān)注。盡管都是用來檢測未見類目標(biāo)，我們不能簡單地將ZSL 中的方法進(jìn)行復(fù)制，因為在ZSD 中單個圖像可能會出現(xiàn)多個目標(biāo)，并且還需對目標(biāo)進(jìn)行定位，更具挑戰(zhàn)性。Rahman 等[7] 首次將ZSL 中的算法應(yīng)用到目標(biāo)檢測框架，并引入一種新的聚類損失函數(shù)來對齊視覺空間和語義空間兩個異構(gòu)空間。Bansal 等[8] 提出了一種背景感知的目標(biāo)檢測器，將未見類目標(biāo)從背景中分離出來。為減少噪聲對分類器的影響，MS-ZSD（Multi-Space Approach toZero-Shot Object Detection）[40] 提出了一種包含視覺-語義映射和語義-視覺映射的多空間視覺語義映射方法，并引入跨模態(tài)一致性損失來保持兩個模態(tài)表示的一致性。Zheng 等[13] 通過修改區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN） 學(xué)習(xí)背景向量，從而更好地區(qū)分背景和前景。Xie 等[41] 將視覺語言模型CLIP 的泛化能力轉(zhuǎn)移到Y(jié)OLOv3 模型上，也取得了不錯的效果。除了修改模型的架構(gòu)以外，Rahman 等[42]提出極性損失函數(shù)，從優(yōu)化學(xué)習(xí)過程的角度，實(shí)現(xiàn)視覺特征和語義特征的精準(zhǔn)匹配，緩解類不平衡問題。此外，還有許多基于生成模型的方法[9， 14]。本文采用的是基于映射的方法。

2 研究方法

2.1 問題描述

在ZSD 中，本文用Xs和Xu分別表示訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，對于第 個樣本，bi =（bix，biy，biw，bih）用于描述目標(biāo)邊界框的空間坐標(biāo)和寬高尺寸，yi ∈ Ys用于描述目標(biāo)的類別。假設(shè)可見類別的集合為Ys = ｛y1，y2，…， ys｝，未見類別的集合為Yu = ｛ys+1，ys+2，…， ys+u｝其中，可見類別與未見類別不相交，即Ys∩Yu = ?，Ys ∪Yu = Y，Y表示類別總數(shù)。對于每個類別，本文使用一個 維的語義嵌入向量（word2vec[43]） 輔助進(jìn)行知識的轉(zhuǎn)移，其中，可見類別的語義嵌入向量表示為Vs ∈Rd×s， 未見類別的語義嵌入向量表示為Vu ∈Rd×s，s和 u分別代表可見類別和未見類別的數(shù)量，d代表向量維度。ZSD 的任務(wù)為利用只包含可見類別標(biāo)簽的訓(xùn)練數(shù)據(jù)Xs，結(jié)合語義嵌入向量V，訓(xùn)練一個目標(biāo)檢測器識別和定位未見類別的目標(biāo)。

2.2 模型架構(gòu)

本文提出的ZSD 框架如圖1 所示，ResNet[44] 作為主干網(wǎng)絡(luò)，學(xué)習(xí)圖像級的視覺特征，利用RPN 結(jié)合池化操作生成建議框（Region of Interest， RoI），最后利用一個分類分支和回歸分支完成分類和定位任務(wù)。

對于分類分支，利用可見類樣本數(shù)據(jù)，學(xué)習(xí)映射函數(shù)ψ v→s（·），將視覺特征映射到語義空間，即

Fs =ψ v→s（Fv） （1）

其中：Fv ∈ Rn×dv代表視覺特征， 表示RoI 的個數(shù)，dv = 1 024表示視覺特征的維度，F(xiàn)s ∈ Rn×d表示映射到語義空間的特征，d = 300代表語義特征的維度，映射函數(shù)ψ v→s（·）通過多層感知機(jī)實(shí)現(xiàn)。將映射特征Fs傳入新提出先驗知識提取模塊，如圖1 虛線框所示，結(jié)合特征編碼器，生成具有任務(wù)導(dǎo)向的先驗輔助特征Fprior ∈ Rn×d；利用自上而下的注意力機(jī)制模塊（Top-Down Attention Module， TDAM） 完成特征的融合，并使用余弦相似度進(jìn)行類別預(yù)測。本文的分類損失Lcls采用交叉熵?fù)p失。

對于回歸分支，考慮到Faster R-CNN[1] 采用的類不可知方式，具有較強(qiáng)的可移植性，所以本文沿用了Faster R-CNN[1] 中的邊界框預(yù)測方式，并使用SmoothL1損失進(jìn)行約束。

為提高相同類別特征之間的聚類能力，本文新增一個對比損失Lcon，對各個分量進(jìn)行監(jiān)督，優(yōu)化網(wǎng)絡(luò)參數(shù)。所以本文多任務(wù)損失如下：

Lzsd = Lcls + Lcon +SmoothL1 （2）

2.3 先驗知識提取模塊

自上而下注意力的關(guān)鍵在于先驗知識的獲取，通過利用與任務(wù)有關(guān)的先驗知識，引導(dǎo)模型對底層特征的處理，使模型朝著與當(dāng)前任務(wù)相關(guān)的方向優(yōu)化，從而緩解ZSD 測試時向可見類物體偏移的現(xiàn)象，提高未見類別目標(biāo)的檢測精度。基于此，本文設(shè)計了一個先驗知識提取模塊，如圖2 所示。

整個先驗知識提取模塊包含兩部分：預(yù)測模塊和推理模塊。在預(yù)測模塊中，為了使每個RoI 都有與之對應(yīng)的未見類別的引導(dǎo)信息，本文利用Fs ∈ Rn×d以及未見類的語義嵌入向量Vu ∈ Rd×u，得到一個預(yù)測特征Fpre ∈ Rn×u， 其中Fpre = Pcos（S，Vu），Pcos表示兩個矩陣之間的余弦相似度，即

其中：A ∈ Rn×k，B ∈ Rm×k，?表示克羅內(nèi)克積，?表示哈達(dá)瑪除法。為排除一些低關(guān)聯(lián)程度信息的混淆和誤導(dǎo)，對于維度為 的預(yù)測特征，本文選取相似度值最大的5 個類別特征進(jìn)行保留，并將剩余維度置0。

對于推理模塊，首先利用映射后特征S ∈Rn×d并結(jié)合可見類別的語義嵌入向量Vs ∈ Rd×s，得到推理特征F′inf∈ Rn×s = Pcos（S，Vs）。為將推理特征映射到與預(yù)測特征相同的維度以便后續(xù)融合，利用可見類別與未見類的語義嵌入向量生成一個遷移矩陣， 即Wtransfer ∈ Rs×u = Pcos（Vs，Vu）。同樣保留5 個最相似的類別特征， 將剩余維度置0， 最終的推理特征Finf =WtransferF′inf，其中Finf ∈ Rn×u。

對于融合特征Ffusion，本文采取加和的方式，即Ffusion = Fpre + Finf Ffusion ∈ Rn×u。為使所得先驗知識與映射后的特征相融合，本文利用編碼架構(gòu)，將融合特征編碼到和語義特征相同的維度，得到最終的先驗特征Fprior ∈ Rn×d，編碼器通過多層感知機(jī)實(shí)現(xiàn)，即Fprior = MLP（Ffusion）。

2.4 自上而下的注意力模塊

對于語義特征 Fs ，與語義嵌入向量 V 不同，即使屬于同一類別，由于目標(biāo)屬性之間的差異，如顏色、大小，它們的特征也千差萬別。而且由于訓(xùn)練過程缺乏未見類的知識，這使得測試結(jié)果更容易偏向可見類別目標(biāo)。而自上而下的注意力機(jī)制，由于存在先驗知識，可以為模型提供任務(wù)導(dǎo)向，使模型不再直接忽略訓(xùn)練期間出現(xiàn)的未見類物體的視覺特征，簡單將其歸為背景信息，而是會提高對未見類別物體的敏感性，選擇性地保留和篩選，更加聚焦于和最終檢測任務(wù)相關(guān)的特征，進(jìn)而緩解域偏移現(xiàn)象的發(fā)生，提高檢測的準(zhǔn)確性?；诖耍疚脑O(shè)計了圖3 所示的自上而下的注意力機(jī)制模塊，對語義特征進(jìn)行動態(tài)更新。

首先，為使獲取的先驗知識和語義特征更好地融合， 本文引入一個可學(xué)習(xí)的動態(tài)參數(shù)α，使得Fs = Fs +αFprior。注意力機(jī)制模塊中的Q、 K、 V向量，通過如下方式計算：

Q = Fs"?WQ （4）

K = Fs"?WK （5）

V = Fs"?WV （6）

其中：WQ ∈ Rd×d，WK ∈ Rd×d，WV ∈ Rd×d，分別通過一個線性層訓(xùn)練而來。由于點(diǎn)積運(yùn)算容易受向量絕對大小和方向的影響，本文使用余弦相似度代替點(diǎn)積進(jìn)行相似度的運(yùn)算，提高模型對數(shù)據(jù)方向和特征結(jié)構(gòu)的魯棒性。注意力機(jī)制的輸出Fatten ∈ Rn×d如下：

Fatten = Softmax（Q? K）?V （7）

其中： ? 表示余弦相似度。

為緩解梯度消失問題，本文引入殘差連接并伴隨層歸一化操作，同時在前饋網(wǎng)絡(luò)中，采用更加平滑的GELU（Gaussian Error Linear Unit）[45] 激活函數(shù)。最終模型的輸出Fout ∈ Rn×d如下：

Fout = FFN（layerNorm（Fs + Fatten）） （8）

2.5 對比學(xué)習(xí)

注意力機(jī)制通常更加關(guān)注局部和上下文特征，從而幫助模型更好地理解圖像信息，但它卻不會主動提高同一類別之間的相似性。為此，本文引入一個對比損失函數(shù)，提高模型的聚類能力，對于第 個區(qū)域建議zi，在當(dāng)前批次下， 將與之類別相同的RoI 作為正樣本，記為z+，將類別不同的RoI 作為負(fù)樣本，記為z-。區(qū)域?qū)Ρ葥p失函數(shù)如下：

其中：Npi表示當(dāng)前批次下，對于zi 而言，和它類別相同的正樣本個數(shù)；Nni表示類別不同的負(fù)樣本個數(shù)；τv表示超參數(shù)；N表示RoI 的總數(shù)。

在語義空間中，對于任意兩個實(shí)例特征，通過施加對比約束，可以充分利用標(biāo)簽信息，拉近類別相同的實(shí)例在特征空間中的距離，提高其相似程度和聚類效果，使類內(nèi)特征更加緊密。此外，為進(jìn)一步減少向量絕對大小的干擾，與前人研究[46] 不同，本文拋棄了點(diǎn)積的計算方式，利用余弦相似度來衡量類別之間的相似性。

2.6 模型預(yù)測

對于目標(biāo)的預(yù)測類別，本文通過計算模型最終輸出Fout和語義嵌入向量V的余弦相似度進(jìn)行判斷，即在訓(xùn)練過程中，對于可見類別目標(biāo)的預(yù)測概率ps ∈ Rn×s：

ps = Pcos（Fout，Vs） （10）

在測試過程中，對于未見類別目標(biāo)的預(yù)測概率pu ∈ Rn×u：

pu = Pcos（Fout，Vu） （11）

3 實(shí)驗部分

3.1 數(shù)據(jù)集和實(shí)驗設(shè)置

（1） 數(shù)據(jù)集：本文在MSCOCO 2014[47] 目標(biāo)檢測數(shù)據(jù)集上評估提出的方法。考慮到未見類的稀有性和多樣性，本文采用了可見類/未見類（65/15）[42] 和可見類/未見類（48/17）[8] 的分割方式。

（2） 語義嵌入：對于所用到的語義嵌入信息，本文延續(xù)前人研究[48] 的策略，使用來自word2vec[43] 的300 維語義向量用于MSCOCO 數(shù)據(jù)集。

（3） 實(shí)現(xiàn)細(xì)節(jié)： 重新調(diào)整圖片大小， 以確保MSCOCO 數(shù)據(jù)集的最小邊長分別為600 和800。本文選擇在ImageNet[49] 上預(yù)訓(xùn)練的ResNet-101[44] 作為主干網(wǎng)絡(luò)，提取多尺度特征，并使用學(xué)習(xí)率為0.001、動量為0.9 的SGD 優(yōu)化器優(yōu)化所提出的模型。在對比約束中，對于超參數(shù)τv，本文設(shè)置為0.01。

（4） 評價指標(biāo)：對于MSCOCO 數(shù)據(jù)集，選擇平均精度（mAP） 和Recall 作為評價指標(biāo)。本文在標(biāo)準(zhǔn)（ZSD） 和廣義零樣本目標(biāo)檢測（GZSD） 設(shè)置下進(jìn)行了實(shí)驗，并評估了諧波均值（Harmonic Mean， HM）來展示GZSD 的性能，其中， mAP 的 HM 可通過式（12）計算：

HM =2×mAP×mAP／mAP+mAP（12）

3.2 實(shí)驗比較

（1） ZSD/GZSD 性能。如表1 所示，本文將所提出的模型與SB[8]、PL-ZSD[42]、TL-ZSD[12]、BLC[50]、ZSI[13]、ContrastZSD[51] 和SU-ZSD[9] 等方法在MSCOCO 上對ZSD 和GZSD 的性能進(jìn)行了比較。從表中可以看出，在ZSD 任務(wù)中，不管是采用65/15 的劃分方式還是48/17 的劃分方式，該模型在最具挑戰(zhàn)性的指標(biāo)mAP 上都達(dá)到了最佳性能，尤其是在65/15 的劃分方式中，分別比PL-ZSD[42]、TL-ZSD[12]、BLC[50]、ZSI[13]、ContrastZSD[51]、SU-ZSD[9] 高出7.30%、5.13%、6.60%、6.10%、1.10%、0.70%，這些提升都表明了模型的有效性。對于更具挑戰(zhàn)性的GZSD 任務(wù)，雖然未見類和可見類物體同時存在，該模型也有顯著的性能提升， 尤其是對于可見類的召回率、未見類的mAP和HM 的mAP 指標(biāo)，它們都達(dá)到了最佳性能。這進(jìn)一步說明本文所提出的先驗知識獲取模塊可以很好地提取先驗知識，為最終的未見類檢測任務(wù)提供任務(wù)導(dǎo)向，同時也表明模型在緩解域偏移、提高未見類類別物體的判別性方面的有效性，可以更好地實(shí)現(xiàn)可見類到未見類的知識轉(zhuǎn)移。

由于余弦相似度不受向量尺度變換的影響，在高維空間中仍能捕捉語義特征之間的關(guān)聯(lián)，此外，語義嵌入向量的生成模型[43] 也采用余弦相似度進(jìn)行特征匹配，所以本文使用余弦相似度代替矩陣乘法進(jìn)行類別判斷。不過，余弦相似度只考慮特征向量的方向，對于一些復(fù)雜的特征，可能無法捕捉特征之間的非線性關(guān)系和特征匹配情況，這也導(dǎo)致在表1 中，該模型在未見類Recall 指標(biāo)上表現(xiàn)并不是很優(yōu)異。但mAP 考慮了模型在不同交并比（Intersection overUnion， IoU） 閾值下的精度，對模型的性能進(jìn)行了更全面的評估，因此，mAP 可以更有力地衡量一個模型的質(zhì)量。所以，盡管該方法在召回率指標(biāo)上表現(xiàn)不是最佳，mAP 指標(biāo)上的表現(xiàn)仍能說明模型的有效性。

（2） 類別性能。為了進(jìn)一步展示該模型在MSCOCO 數(shù)據(jù)集上的優(yōu)勢，本文在表2 上給出了每個類別的精度（AP）和mAP。如表2 所示，在mAP標(biāo)準(zhǔn)下，和其他模型相比，該模型具有顯著優(yōu)勢，對于某些類別的AP，也獲得了很好的增益，例如bear、snowboard、hot dog 等類別。但由于此方法是利用可見類與未見類之間的相似性來生成先驗知識，進(jìn)而為最終檢測任務(wù)提供任務(wù)導(dǎo)向，所以在類別AP 中，對于那些可見類與未見類相似度較低的類別，例如hair driver等，類別之間的弱關(guān)聯(lián)性大大提高了知識轉(zhuǎn)移的難度，不能很好地生成有價值的先驗信息，因此它們的檢測效果很差。

（3） 定性分析。為了進(jìn)一步定性地分析檢測性能，本文在圖4 中可視化了MSCOCO 數(shù)據(jù)集上的一些ZSD 和GZSD 的檢測結(jié)果。從圖中可以看出，和ZSI[13] 相比，該模型可以正確地檢測出不同場景下的未見類物體，如單類別單物體（如toilet）、單類別多物體（如suitcase、cat）、多類別多物體（如train、snowboard、parking meter），而ZSI[13] 則出現(xiàn)了不同程度的漏檢現(xiàn)象。同時，在GZSD 任務(wù)中，本文的方法也有不錯的檢測效果，而ZSI[13] 不僅會出現(xiàn)錯誤分類的情況（如將frisbee 識別成surfboard、將cat 識別為dog），還會出現(xiàn)漏檢現(xiàn)象（如skis、traffic light）。這些例子都證明了該模型在ZSD 和GZSD 任務(wù)中的有效性。

為了進(jìn)一步證明該模型在特征聚類方面的有效性，本文在MSCOCO 數(shù)據(jù)集上隨機(jī)選取了9 個未見類別， 利用t-SNE[52] 對特征進(jìn)行了可視化， 并與ZSI[13] 進(jìn)行對比，如圖5（a） 和圖5（b） 所示?？梢园l(fā)現(xiàn)，ZSI[13] 中未見類的特征整體分布比較混亂，類內(nèi)距離較大，比如圖5（a） 中的“bear”、“train”等類別，這非常容易造成類別的混淆從而出現(xiàn)誤分類的現(xiàn)象。相比之下，可以清楚地看到本文的方法在未見類別上表現(xiàn)出更高的類內(nèi)緊密度，比如“train”、“parkingmeter”、“toaster”等類別。這表明該模型可以更好地捕捉特征的基本數(shù)據(jù)分布，提高特征之間的判別性，使得相似的類別更加聚集。

3.3 消融實(shí)驗

為研究各個組件的作用，本文進(jìn)行了細(xì)致的消融實(shí)驗來進(jìn)行定量分析，表3 示出了MSCOCO 數(shù)據(jù)集上基于mAP 的ZSD 和GZSD 性能。可以發(fā)現(xiàn)，和基線模型相比，本文所設(shè)計的自上而下的注意力機(jī)制模塊效果顯著，mAP 提升4.80%，這說明通過為最終的檢測任務(wù)提供任務(wù)引導(dǎo)，可以很好地提高模型對未見類目標(biāo)的注意力，增大模型對可見數(shù)據(jù)和未見類數(shù)據(jù)分布的區(qū)分性，緩解域偏移現(xiàn)象。在施加對比約束后，模型檢測效果進(jìn)一步提升，這說明本文的方法在優(yōu)化特征分布、提高聚類效果方面的有效性。此外，為進(jìn)一步驗證所提出的對比約束的合理性，本文與前人[46] 所提出的點(diǎn)積計算方式進(jìn)行對比，從表3 中可以看出，盡管二者都可以進(jìn)一步提升檢測精度，前者的效果更加顯著，這說明了余弦相似度更適合語義特征之間權(quán)值的計算，在進(jìn)行對比約束時也更加有效。

4 結(jié) 論

本文提出了一種基于自上而下注意力機(jī)制的零樣本目標(biāo)檢測框架，探索充分利用未見類的語義知識引導(dǎo)模型對目標(biāo)進(jìn)行分類和定位。該模型通過結(jié)合先驗知識提取模塊和自上而下注意力機(jī)制模塊，為檢測任務(wù)提供任務(wù)導(dǎo)向，引導(dǎo)模型對底層特征的處理，增強(qiáng)模型對可見類和未見類數(shù)據(jù)分布的區(qū)分性；同時利用對比約束，增強(qiáng)映射特征的判別能力，進(jìn)而更好地對齊視覺空間和語義空間，提高模型的性能。實(shí)驗結(jié)果表明，該模型在各種基準(zhǔn)的標(biāo)準(zhǔn)和廣義零樣本目標(biāo)檢測任務(wù)中都取得了滿意的檢測結(jié)果。

參考文獻(xiàn)：

[ 1 ]REN S， HE K， GIRSHICK R， et al. Faster R-CNN：Towards real-time object detection with region proposalnetworks[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence， 2016， 39（6）： 1137-1149.

[ 2 ]LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss fordense object detection[J]. IEEE Transactions on PatternAnalysis and Machine Intelligence， 2020， 42（2）： 318-327.

[ 3 ]沈震宇， 朱昌明， 王喆. 基于MAML 算法的YOLOv3 目標(biāo)檢測模型[J]. 華東理工大學(xué)學(xué)報（自然科學(xué)版）， 2022，48（1）： 112-119.

[ 4 ]JI Z， FU Y， GUO J， et al. Stacked semantics-guided attentionmodel for fine-grained zero-shot learning[J]. Advancesin Neural Information Processing Systems， 2018， 31： 5995-6004.

[ 5 ]JIANG C， XU H， LIANG X， et al. Hybrid knowledgerouted modules for large-scale object detection[J].Advances in Neural Information Processing Systems，2018， 31： 1559-1570.

[ 6 ]XU H， JIANG C， LIANG X， et al. Spatial-aware graphrelation network for large-scale object detection[C]//2019 IEEE/CVF Conference on Computer Vision and PatternRecognition （CVPR）. Long Beach， CA， USA： IEEE，2019： 9290-9299.

[ 7]RAHMAN S， KHAN S， PORIKLI F. Zero-shotobject detection： Learning to simultaneously recognize andlocalize novel concepts[C]//14th Asian Conference onComputer Vision （ACCV）. Perth， AUSTRALIA： Springer，2018： 547-563.

[ 8 ]BANSAL A， SIKKA K， SHARMA G， et al. Zero-shotobject detection[C]//15th European Conference on ComputerVision （ECCV）. Munich， Germany： Springer， 2018：397-414.

[ 9 ]HAYAT N， HAYAT M， RAHMAN S， et al. Synthesizingthe unseen for zero-shot object detection[C]//15th AsianConference on Computer Vision （ACCV）. Kyoto， Japan：Springer， 2020： 155-170.

[10]DEMIREL B， CINBIS R G， IKIZLER-CINBIS N. Zeroshotobject detection by hybrid region embedding[EB/OL].（2018-5-16）[2018-5-17]. https：//doi.org/10.48550/arXiv.1805.06157.

[11]LI Z， YAO L， ZHANG X， et al. Zero-shot object detectionwith textual descriptions[C]//33rd AAAI Conference onArtificial Intelligence. Honolulu， HI： AAAI， 2019： 8690-8697.

[12]RAHMAN S， KHAN S， BARNES N. Transductive learningfor zero-shot object detection[C]//2019 IEEE/CVFInternational Conference on Computer Vision （ICCV）.Seoul： IEEE， 2019： 6081-6090.

[13]ZHENG Y， WU J， QIN Y， et al. Zero-shot instancesegmentation[C]//2021 IEEE/CVF Conference on ComputerVision and Pattern Recognition （CVPR）. TN， USA：IEEE， 2021： 2593-2602.

[14]HUANG P， HAN J， CHENG D， et al. Robust regionfeature synthesizer for zero-shot object detection[C]//2022 IEEE/CVF Conference on Computer Vision andPattern Recognition （CVPR）. New Orleans， LA， USA： IEEE，2022： 7612-7621.

[15]SARMA S， KUMAR S， SUR A. Resolving semanticconfusions for improved zero-shot detection[EB/OL].（2022-12-12） [2023-2-15]. https：//doi.org/10.48550/arXiv.2212.06097.

[16]ZHU P， WANG H， SALIGRAMA V. Don't even look once：Synthesizing features for zero-shot detection[C]//2020IEEE/CVF Conference on Computer Vision and PatternRecognition （CVPR）. Seattle， WA， USA： IEEE， 2020：11690-11699.

[17]LI Y， LI P， CUI H， et al. Inference fusion with associativesemantics for unseen object detection[J]. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（3）：1993-2001.

[18]LV W， SHI H， TAN S， et al. Cross-domain constrained networkfor zero-shot object detection[EB/OL]. （2022-10-31）[2022-12-1]. https：//doi.org/10.21203/rs.3.rs-2208626/v1.

[19]YAN C， ZHENG Q， CHANG X， et al. Semantics-preservinggraph propagation for zero-shot object detection[J].IEEE Transactions on Image Processing， 2020， 29： 8163-8176.

[20]KIPF T N， WELLING M. Semi-supervised classificationwith graph convolutional networks[EB/OL]. （2016-9-9）[2016-10-24]. https：//doi.org/10.48550/arXiv.1609.02907.

[21]CARION N， MASSA F， SYNNAEVE G， et al. End-to-endobject detection with transformers[C]//European Conferenceon Computer Vision. Cham： Springer， 2020： 213-229.

[22]LIU W， ANGUELOV D， ERHAN D， et al. SSD： Singleshot multibox detector[C]//Computer Vision–ECCV 2016：14th European Conference. Amsterdam， Netherlands：Springer， 2016： 21-37.

[23]REDMON J， FARHADI A. YOLOV3： An incremental improvement[EB/OL]. （2018-4-8） [2018-5-20]. https：//doi.org/10.48550/arXiv.1804.02767.

[24]ZHU X， LYU S， WANG X， et al. TPH-YOLOv5：Improved YOLOv5 based on transformer prediction headfor object detection on drone-captured scenarios[C]//2021IEEE/CVF International Conference on Computer VisionWorkshops （ICCVW）. Montreal， BC， Canada： IEEE， 2021：2778-2788.

[25]HE K， ZHANG X， REN S， et al. Spatial pyramid pooling indeep convolutional networks for visual recognition[J]. IEEETransactions on Pattern Analysis and Machine Intelligence，2015， 37（9）： 1904-1916.

[26]DAI J， LI Y， HE K， et al. R-FCN： Object detection viaregion-based fully convolutional networks[EB/OL]. （2016-5-20）[2016-6-21]. https//doi.org/10.48550/arXiv.1605.06409.

[27]HE K， GKIOXARI G， DOLLáR P， et al. MaskR-CNN[C]//2017 IEEE International Conference on ComputerVision （ICCV）. Venice， Italy： IEEE， 2017： 2980-2988.

[28]ZHU X， SU W， LU L， et al. Deformable DETR： Deformabletransformers for end-to-end object detection[EB/OL].（2020-10-8）[2020-11-30]. https：//doi.org/10.48550/arXiv.2010.04159.

[29]XIAN Y， LAMPERT C H， SCHIELE B， et al. Zero-shotlearning： A comprehensive evaluation of the good， the badand the ugly[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence， 2018， 41（9）： 2251-2265.

[30]XIAN Y， LORENZ T， SCHIELE B， et al. Feature generatingnetworks for zero-shot learning[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. Salt Lake City， UT： IEEE， 2018： 5542-5551.

[31]YAN C， CHANG X， LI Z， et al. Zeronas： Differentiablegenerative adversarial networks search for zero-shot learning[J]. IEEE Transactions on Pattern Analysis and MachineIntelligence， 2021， 44（12）： 9733-9740.

[32]SU H， LI J， CHEN Z， et al. Distinguishing unseen fromseen for generalized zero-shot learning[C]//2022 IEEE/CVFConference on Computer Vision and Pattern Recognition（CVPR）. New Orleans， LA， USA： IEEE， 2022： 7875-7884.

[33]YANG J， SHEN Q， XIE C. Generation-based contrastivemodel with semantic alignment for generalized zero-shotlearning[J]. Image and Vision Computing， 2023， 137：104758.

[34]HUYNH D， ELHAMIFAR E. Fine-grained generalizedzero-shot learning via dense attribute-basedattention[C]//2020 IEEE/CVF Conference on ComputerVision and Pattern Recognition （CVPR）. Seattle， WA，USA： IEEE， 2020： 4482-4492.

[35]ZHANG Z， YANG G. Exploring attribute space with wordembedding for zero-shot learning[C]//2022 InternationalJoint Conference on Neural Networks （IJCNN）. Padua，Italy： IEEE， 2022： 1-8.

[36]CHEN S， HONG Z， XIE G S， et al. MSDN： Mutuallysemantic distillation network for zero-shot learning[C]//2022 IEEE/CVF Conference on Computer Vision and PatternRecognition （CVPR）. New Orleans， LA， USA： IEEE，2022： 7602-7611.

[37]XIAN Y， AKATA Z， SHARMA G， et al. Latent embeddingsfor zero-shot classification[C]//2016 IEEE Conferenceon Computer Vision and Pattern Recognition （CVPR）.Las Vegas， NV， USA： IEEE， 2016： 69-77.

[38]MENG M， ZHAN X， WU J. Joint discriminative attributesand similarity embeddings modeling for zero-shot recognition[J]. Neurocomputing， 2020， 399： 117-128.

[39]ANNADANI Y， BISWAS S. Preserving semantic relationsfor zero-shot learning[C]//2018 IEEE/CVF Conference onComputer Vision and Pattern Recognition. Salt Lake City，UT， USA： IEEE， 2018： 7603-7612.

[40]GUPTA D， ANANTHARAMAN A， MAMGAIN N， et al.A multi-space approach to zero-shot object detection[C]//2020 IEEE Winter Conference on Applications of ComputerVision （WACV）. Snowmass， CO， USA： IEEE， 2020：1198-1206.

[41]XIE J， ZHENG S. Zero-shot object detection through vision-language embedding alignment[C]//2022 IEEE InternationalConference on Data Mining Workshops （ICDMW）.Orlando， FL， USA： IEEE， 2022： 1-15.

[42]RAHMAN S， KHAN S， BARNES N. Polarity loss for zeroshotobject detection[EB/OL]. （2018-11-22） [2019-4-1].https：//doi.org/10.48550/arXiv.1811.08982.

[43]MIKOLOV T， SUTSKEVER I， CHEN K， et al. Distributedrepresentations of words and phrases and their compositionality[J]. Advances in Neural Information Processing Systems，2013， 26：3111-3119.

[44]HE K， ZHANG X， REN S， et al. Deep residual learning forimage recognition[C]//2016 IEEE Conference on ComputerVision and Pattern Recognition （CVPR）. Las Vegas，NV， USA： IEEE， 2016： 770-778.

[45]HENDRYCKS D， GIMPEL K. Gaussian error linear units（GELUs）[EB/OL].（2016-6-27）[2016-7-8]. https//doi.org/10.48550/arxiv.1606.08415.

[46]KHOSLA P， TETERWAK P， WANG C， et al. Supervisedcontrastive learning[J]. Advances in Neural InformationProcessing Systems， 2020， 33： 18661-18673.

[47]LIN T-Y， MAIRE M， BELONGIE S， et al. Microsoft coco：Common objects in context[C]//Computer Vision–ECCV2014： 13th European Conference. Zurich， Switzerland：Springer， 2014： 740-755.

[48]RAHMAN S， KHAN S， BARNES N. Improved visualsemanticalignment for zero-shot object detection[C]//34th AAAI Conference on Artificial Intelligence. NewYork， USA： AAAI， 2020： 11932-11939.

[49]RUSSAKOVSKY O， DENG J， SU H， et al. Imagenet largescale visual recognition challenge[J]. International Journalof Computer Vision， 2015， 115： 211-252.

[50]ZHENG Y， HUANG R， HAN C， et al. Background learnablecascade for zero-shot object detection[C]//15th AsianConference on Computer Vision （ACCV）. Kyoto， Japan：Springer， 2020： 107-123.

[51]YAN C， CHANG X， LUO M， et al. Semantics-guided contrastivenetwork for zero-shot object detection[J]. IEEETransactions on Pattern Analysis and Machine Intelligence，2022， 46（3）： 1530-1544.

[52]VAN DER MAATEN L， HINTON G. Visualizing datausing t-SNE[J]. Journal of Machine Learning Research，2008， 9（11）： 2579-2605.

（責(zé)任編輯：李娟）

基金項目： 國家自然科學(xué)基金（62073140， 62073141， 62103149）; 國家重點(diǎn)研發(fā)計劃（2020YFC1522502， 2020YFC1522505）