要約
属性は中間表現として機能し、クラス間でのパラメータ共有を可能にします。これは、訓練データが少ない場合に不可欠です。本研究では、属性ベースの画像分類をラベル埋め込み問題として捉えることを提案します。つまり、各クラスは属性ベクトル空間に埋め込まれます。また、画像とラベル埋め込みの適合度を測定する関数を導入します。この関数のパラメータは、ラベル付きサンプルの訓練セットで学習され、与えられた画像に対して正しいクラスが誤ったクラスよりも高い順位になるように設計されています。Animals With Attributes および Caltech-UCSD-Birds データセットにおける結果は、提案されたフレームワークがゼロショット学習シナリオにおいて標準的な直接属性予測基準を上回ることを示しています。ラベル埋め込みは、属性だけでなくクラス階層やテキスト記述などの代替情報源も活用できるという組み込みの能力を持っています。さらに、ラベル埋め込みはゼロショット学習から多数のラベル付き例を使用した通常の学習まで、幅広い学習設定を網羅しています。