摘要
属性作为中间表示，使得在训练数据稀缺时类之间的参数共享成为可能。我们提出将基于属性的图像分类视为一个标签嵌入问题：每个类被嵌入到属性向量的空间中。我们引入了一个函数，用于衡量图像与标签嵌入之间的兼容性。该函数的参数通过在标记样本的训练集上学习来确保，在给定图像的情况下，正确的类比错误的类排名更高。在“带属性的动物”（Animals With Attributes）和“加州理工-UCSD鸟类”（Caltech-UCSD-Birds）数据集上的实验结果表明，所提出的框架在零样本学习场景下优于标准的直接属性预测基线方法。标签嵌入具有内置的能力，可以利用替代信息源（而不是或除了属性之外的信息源），例如类别层次结构或文本描述。此外，标签嵌入涵盖了从零样本学习到大量标记示例的常规学习整个范围的学习设置。