本文共 1161 字，大约阅读时间需要 3 分钟。

STC15系列单片机搭配ADC采集芯片TM7750，用于外部模拟量信号采集。程序配有详细注释，便于理解和维护。实例已完成调试并成功应用。

本文提出相似条件嵌入网络(Similarity Condition Embedding Network, SCE-Net)模型，能够在弱监督条件下从图片中学习丰富的不同相似条件特征。该模型特别适合zero-shot任务中的新类别和属性识别。

主要贡献包括：

方法

SCE-Net模型由CNN提取特征后，通过一系列平行相似条件掩码和条件权重分支学习相似条件特征。具体流程如下：

1. 特征提取

输入图片经CNN提取特征，记为$g(x; θ)$，其中$x$为输入图像，$θ$为模型参数。

2. 相似条件掩码

模型包含$M$个平行相似条件掩码$C_1, C_2, ..., C_M$，每个掩码的维度均为$D$，$M$通过held out数据实验确定。

3. 条件权重分支

动态分配相似条件掩码关联权重，生成条件权重向量$w$。该过程通过对比对象$x_i, x_j$决定每个条件掩码的关联性。

模型细节

每个条件掩膜$C_j$与图片特征$V_i$进行点积，输出$O$的维度为$M × D$。最终输出通过条件权重$w$进行加权求和，映射到语义子空间$R^D$。

条件权重分支基于对比对象$x_i, x_j$和$x_i, x_k$的相似性差异，采用距离损失（如欧式距离）和均值偏移μ进行优化。同时，可选L1损失鼓励稀疏性，L2损失约束特征表示。

实验

使用MarylandPolyvore、PolyvoreOutfits和UT-Zappos50k数据集进行实验。Polyvore数据集还包含类别标签和文本描述，UT-Zappos50k提供鞋类属性三元组。

3.1 数据集特点

• MarylandPolyvore：21799套搭配，训练/验证/测试集各17316/1407/3076。
• PolyvoreOutfits：53306/10000/5000套，附有类别标签和文本描述。
• UT-Zappos50k：50000张鞋像，训练集提供四个属性的三元组。

3.2 实验细节

• 图片特征：ResNet18提取，嵌入维度64。
• 文本特征：使用预训练词向量（word2vec），HGLMM fisher向量降维至6000维。
• 损失函数包括视觉语义损失（VSE）和相似性损失（Sim），同时针对三元组输入设计优化策略。

实验结果表明，SCE-Net在Polyvore数据集上的性能与Siamese网络和Type-Aware Embedding网络模型相比，采用5个条件时性能最佳。

转载地址：http://gmtyk.baihongyu.com/