التصنيف الصوري باستخدام الإدخال التصنيفي

السمات تعمل كتمثيلات وسطية تمكن من مشاركة المعلمات بين الفئات، وهو أمر ضروري عند ندرة بيانات التدريب. نقترح النظر إلى تصنيف الصور القائم على السمات كمشكلة غمر العلامات (Label Embedding): يتم غمر كل فئة في فضاء متجهات السمات. نقدم دالة تقيس مدى توافق الصورة مع غمر العلامة. يتم تعلم معلمات هذه الدالة على مجموعة تدريب من العينات المصنفة لضمان أن، عند إعطاء صورة، تكون الفئات الصحيحة مرتبة أعلى من الفئات غير الصحيحة. أظهرت النتائج على مجموعتي بيانات "الحيوانات ذات السمات" (Animals With Attributes) و "الطيور كالتك-يو سي أس دي" (Caltech-UCSD-Birds) أن الإطار المقترح يتفوق على الأساس التقليدي للتنبؤ المباشر بالسمات في سيناريو التعلم بدون تصوير (Zero-Shot Learning). يتمتع غمر العلامات بقدرة مدمجة على الاستفادة من مصادر المعلومات البديلة بدلاً من أو بالإضافة إلى السمات، مثل الهرميات الفئوية أو الوصف النصي. علاوة على ذلك، يغطي غمر العلامات نطاقًا كاملًا من إعدادات التعلم، بدءًا من التعلم بدون تصوير وصولاً إلى التعلم العادي مع عدد كبير من الأمثلة المصنفة.