17 天前

基于属性分类的标签嵌入

{Florent Perronnin, Cordelia Schmid, Zeynep Akata, Zaid Harchaoui}
基于属性分类的标签嵌入
摘要

属性(Attributes)是一种中间表示形式,能够在训练数据稀缺的情况下实现类间参数共享,这是至关重要的。我们提出将基于属性的图像分类问题视为一种标签嵌入(label-embedding)问题:每个类别被嵌入到属性向量的空间中。为此,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。该函数的参数在带标签的训练样本集上进行学习,以确保在给定一张图像时,正确的类别在排序中优于错误的类别。在 Animals With Attributes 和 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(zero-shot learning)场景下显著优于标准的直接属性预测(Direct Attribute Prediction)基线方法。此外,该标签嵌入框架还具备其他优势,例如能够结合属性之外的其他信息源(如类别层次结构),并可平滑地从零样本学习过渡到大规模数据学习场景。