المصنفات المركبة للتعلم بدون أمثلة

في ضوء الوصف الدلالي لفئات الأشياء، يهدف التعلم الصفراني (zero-shot learning) إلى التعرف بدقة على أشياء من فئات غير ملموسة، والتي لا تتوفر أمثلة عنها في مرحلة التدريب، وذلك من خلال ربطها بالفئات الملموسة التي يتم توفير أمثلة مصنفة عنها. نقترح التعامل مع هذه المشكلة من منظور التعلم على ال 다양يات (manifold learning). الفكرة الرئيسية لدينا هي محاذاة الفضاء الدلالي المستمد من المعلومات الخارجية مع الفضاء النموذجي المعني بالتعرف على الخصائص البصرية. لتحقيق هذا الغرض، نقدم مجموعة من فئات الأشياء "الوهمية" (phantom) التي تنتمي إحداثياتها إلى كلٍّ من الفضاء الدلالي والفضاء النموذجي. تعمل هذه الفئات كأساس في قاموس يمكن تحسينه باستخدام البيانات المصنفة بحيث تحقق المصنفات الحقيقية المركبة أفضل أداء تمييزي. نثبت دقة طريقتنا الأفضل على الحالة المتقدمة في أربعة مجموعات بيانات معيارية للتعلم الصفراني، بما في ذلك مجموعة بيانات ImageNet Fall 2011 الكاملة التي تحتوي على أكثر من 20,000 فئة غير ملموسة.