《Information Processing & Management》是计算机科学、图书情报与档案管理领域的国际著名期刊，属于中科院SCI一区TOP期刊，也是中国计算机学会CCF推荐B类期刊，2023年影响因子为7.4，主要发表关于计算机与信息科学交叉领域的前沿研究成果。

Domain Disentanglement and Fusion based on Hyperbolic Neural Networks for Zero-shot Sketch-based Image Retrieval

作者：张晴，张静，苏向东，王勇和，飞龙，高光来

单位：内蒙古大学

简介：零样本草图检索（ZS-SBIR）任务旨在使用未见类别的草图来检索相应的自然图像，近年来成为备受关注的一个研究课题。随着深度技术的不断发展，现有方法仍面临两大主要挑战：一是欧几里得空间难以有效表示具有层次结构的数据，导致检索特征缺乏区分性；二是仅依赖视觉信息难以对齐跨域特征并最大化其领域泛化能力。

为了解决这些问题，该工作提出了一种基于双曲神经网络的ZS-SBIR框架，该框架考虑了领域解耦与融合学习，称为“DDFUS”。首先在双曲空间中利用双曲神经网络实现特征解耦与融合，其中特征解耦用于解决跨领域特征耦合问题，减少无关特征的干扰；特征融合用于实现领域特征重构和跨领域特征生成，增强跨领域特征的表示和检索能力。其次，结合预训练语言模型的对比跨模态学习网络，在双曲空间中构建语义层级信息，以进一步增强特征解耦与融合的效果。实验结果表明，所提方法在三个公开的零样本草图检索数据集上都取得了显著的性能提升。

图1 DDFUS模型架构图