속성 기반 분류를 위한 레이블 임베딩

속성(attribute)은 클래스 간 매개변수 공유를 가능하게 하는 중간 표현 형태로, 훈련 데이터가 부족한 상황에서 필수적이다. 우리는 속성 기반 이미지 분류를 레이블 임베딩(label-embedding) 문제로 간주하는 새로운 접근을 제안한다. 즉, 각 클래스를 속성 벡터 공간 내에 임베딩하는 방식이다. 이미지와 레이블 임베딩 간의 호환성(compatibility)을 측정하는 함수를 도입하였으며, 이 함수의 매개변수는 레이블이 부여된 샘플로 구성된 훈련 세트에서 학습되어, 주어진 이미지에 대해 올바른 클래스가 잘못된 클래스보다 높은 순위를 갖도록 보장한다. Animals With Attributes 및 Caltech-UCSD-Birds 데이터셋에서의 실험 결과, 제안하는 프레임워크가 제로샷 학습(zero-shot learning) 환경에서 기준 모델인 직접 속성 예측(Direct Attribute Prediction)보다 우수한 성능을 보였다. 레이블 임베딩 프레임워크는 속성 외에도 클래스 계층 구조(class hierarchies)와 같은 다른 정보 원천을 활용할 수 있다는 점을 포함하여 다양한 장점을 제공하며, 제로샷 학습에서 대량의 데이터를 활용한 학습으로 자연스럽게 전이할 수 있는 가능성을 제공한다.