Pour l’étude d’ablation de notre méthode proposée, nous introduisons trois termes dans l’équation (11) pour décrire la perte de chaque partie du modèle. Nous supprimons également le CBAM [13] pour voir si l’implémentation de ce module peut optimiser le modèle. Et, pour illustrer l’effort de chaque partie de notre méthode, nous rapportons l’efficacité top-1 pour les classes vues et invisibles dans les tâches GZSL m et toila moyenne harmonique Het l’efficacité top-1 pour les tâches ZSL traditionnelles T 1
dans les jeux de données AWA2, CUB et SUN. En utilisant uniquement l’entropie croisée pour effectuer le travail de classification, nos performances sont tout à fait normales par rapport aux méthodes de pointe actuelles. Ainsi, nous introduisons le prototype d’attribut [7] pour améliorer la capacité discriminante de notre méthode. Sur les tâches ZSL, en ajoutant ce module, nous obtenons une 0,8
amélioration sur AWA2, un boost de 3.2
sur CUB, mais seulement une petite amélioration de 0,1
sur SUN. Pour GZSL, nous avons amélioré nos performances avec une marge de 1.8
un revers de 0,6
sur CUB, et un peu de progrès de 0,2
sur SUN. Pour développer davantage la robustesse de notre méthode, nous introduisons ensuite la hiérarchie de contrôle de cohérence [20]. Sur ZSL, nous réalisons 0,7
progrès dans AWA2, un grand bond en avant 3.7
sur CUB, et une amélioration considérable de 0,5
sur SUN. Pour les tâches GZSL, nous avons 1,5
progrès sur AWA2, 2.8
sur CUB, et 2.2
sur SUN. Enfin, nous ajoutons le mécanisme d’attention CBAM [13] pour améliorer la propriété de localisation et la capacité discriminante. Pour les tâches ZSL, nous atteignons 1.2
amélioration sur AWA2, 2.2
sur CUB, et 0,4
sur SUN. Pour les tâches GZSL, nous obtenons un 1.3
amélioration sur AWA2, 2.4
sur CUB, et 1.2
le DIM. Au total, sur ZSL, nous faisons un 2.5
amélioration sur AWA2, un 9.1
amélioration sur CUB, et un 0,8
amélioration sur SUN. Sur les tâches GZSL, nous améliorons notre méthode avec une marge de 4.6
sur AWA2, 4.6
sur CUB, et 3.6
le DIM.

D’après les résultats du tableau 3, il ressort clairement que ces trois modèles contribuent à l’efficacité de notre méthode proposée. Prototype d’attribut [7] joue un rôle dans la régulation de la capacité discriminante. La hiérarchie de contrôle de cohérence aide considérablement notre modèle à renforcer sa robustesse, qui fonctionne sur la distillation des réseaux d’étudiants vers les réseaux d’enseignants pour améliorer la stabilité de la méthode. L’introduction du CBAM [13] a grandement amélioré la puissance de localisation et la capacité de discrimination puisqu’il fonctionne à la fois au niveau du canal et au niveau spatial.