利用不可靠属性的零样本识别

原则上，零样本学习使得仅通过指定类别的属性即可训练识别模型成为可能。例如，利用针对“有条纹”和“四条腿”等通用属性的分类器，可以通过枚举斑马所具有的属性来构建斑马类别的分类器——即使不提供斑马的训练图像。然而在实践中，标准的零样本范式因难以准确预测新图像中的属性而受到影响。我们提出了一种新颖的随机森林方法来训练零样本模型，该方法明确考虑了属性预测的不可靠性。通过利用关于每个属性误差倾向的统计信息，我们的方法为未见类别获得了更鲁棒的判别模型。我们还设计了扩展方案以处理少样本场景和不可靠的属性描述。在三个数据集上，我们展示了该方法在具有零个或少量训练样本的视觉类别学习中的益处，这对于稀有类别或即时定义的类别至关重要。