ゼロショット学習による意味埋め込みの凸結合

最近のいくつかの論文では、画像を連続的な意味埋め込み空間にマッピングする方法が提案されています。場合によっては、この埋め込み空間は画像変換と同時に学習されます。他の場合は、独立した自然言語処理タスクによって意味埋め込み空間が設定され、その後で画像変換がその空間に対して学習されます。これらの画像埋め込みシステムの支持者たちは、従来の多クラス分類による画像理解の枠組みに対する優位性を強調しており、特に未見の物体カテゴリを正しく注釈付ける能力（ゼロショットラーニング）について期待されています。本稿では、既存の多クラス分類器と意味単語埋め込みモデルから画像埋め込みシステムを構築する簡単な方法を提案します。このモデルには、$\n$ クラスラベルが語彙に含まれています。当方針は、クラスラベルの埋め込みベクトルの凸結合を通じて画像を意味埋め込み空間にマッピングし、追加の学習は必要としません。我々はこの単純かつ直接的な方法が複雑な画像埋め込みスキームに関連する多くの利点をもたらすことを示し、実際にはImageNetにおけるゼロショットラーニングタスクにおいて最先端の手法よりも優れた性能を発揮することを確認しています。