该研究解决了传统少样本跨模态检索方法在目标领域中面临的特征退化和极端数据不平衡问题。提出的flex-clip方法通过复合多模态vae-gan网络生成伪样本,并利用门控残差网络融合clip特征,有效增强了特征的表达。实验结果表明,该方法在四个基准数据集上较现有最优方法提高了7%至15%的性能。
该研究提出了flex-clip方法,解决了少样本跨模态检索中的特征退化和数据不平衡问题,通过生成伪样本和融合clip特征,性能提升了7%至15%。
该研究解决了传统少样本跨模态检索方法在目标领域中面临的特征退化和极端数据不平衡问题。提出的flex-clip方法通过复合多模态vae-gan网络生成伪样本,并利用门控残差网络融合clip特征,有效增强了特征的表达。实验结果表明,该方法在四个基准数据集上较现有最优方法提高了7%至15%的性能。
该研究提出了flex-clip方法,解决了少样本跨模态检索中的特征退化和数据不平衡问题,通过生成伪样本和融合clip特征,性能提升了7%至15%。