이미지 분류를 위한 라벨 임베딩(LABEL-EMBEDDING FOR IMAGE CLASSIFICATION)

속성은 클래스 간 매개변수 공유를 가능하게 하는 중간 표현의 역할을 합니다. 훈련 데이터가 부족한 경우 이는 필수적입니다. 우리는 속성 기반 이미지 분류를 라벨 임베딩 문제로 보는 것을 제안합니다: 각 클래스는 속성 벡터 공간에 임베딩됩니다. 우리는 이미지와 라벨 임베딩 사이의 호환성을 측정하는 함수를 소개합니다. 이 함수의 매개변수는 라벨이 지정된 샘플들의 훈련 세트에서 학습되어, 주어진 이미지에 대해 올바른 클래스가 잘못된 클래스보다 더 높은 순위를 가지도록 합니다. Animals With Attributes 및 Caltech-UCSD-Birds 데이터셋에서의 결과는 제안된 프레임워크가 제로샷 학습 시나리오에서 표준 직접 속성 예측 베이스라인을 능가함을 보여줍니다. 라벨 임베딩은 속성뿐만 아니라 클래스 계층구조 또는 텍스트 설명과 같은 대체 정보 소스를 활용할 수 있는 내재적인 능력을 가지고 있습니다. 또한, 라벨 임베딩은 제로샷 학습부터 많은 라벨이 지정된 예제를 사용하는 일반적인 학습까지 모든 학습 설정 범위를 포함합니다.