تعلم نموذج تمثيل عمق للتعلم الصفري

تستند نماذج التعلم بدون أمثلة (ZSL) على تعلم مساحة تمثيل مشتركة حيث يمكن إسقاط وصف النصوص/الدلالات للتصنيفات الكائنات والتمثيل البصري لصور الكائنات فيها للبحث عن الجار الأقرب. رغم نجاح الشبكات العصبية العميقة التي تتعلم نموذجاً من البداية إلى النهاية بين النصوص والصور في مشاكل الرؤية الأخرى مثل تعليق الصور، فإن هناك قلة قليلة من النماذج العميقة ZSL موجودة وهي لا تظهر أي أفضلية كبيرة على نماذج ZSL التي تستفيد من التمثيلات الميزات العميقة ولكنها لا تتعلم تمثيلاً مشتركاً من البداية إلى النهاية.في هذا البحث، نعتقد أن المفتاح لنجاح النماذج العميقة ZSL هو اختيار المساحة المناسبة للتمثيل. بدلاً من إسقاط البيانات في مساحة دلالية أو مساحة وسيطة، نقترح استخدام المساحة البصرية كمساحة تمثيل. ذلك لأن في هذه المساحة، ستتأثر عملية البحث عن الجار الأقرب بشكل أقل بكثير بمشكلة التركيز (hubness)، وبالتالي ستصبح أكثر فعالية. كما أن تصميم هذا النموذج يوفر آلية طبيعية لدمج وتحسين العديد من الوسائل الدلالية (مثل السمات والوصف الجملي) بطريقة شاملة ومن البداية إلى النهاية.أظهرت التجارب الواسعة على أربع مقاييس مرجعية أن نموذجنا يتفوق بشكل كبير على النماذج الموجودة حالياً. يمكن الوصول إلى الرمز البرمجي عبر الرابط: https://github.com/lzrobots/DeepEmbeddingModel_ZSL