Attributes2Classname：一种基于属性的无监督零样本学习的判别模型
计算机视觉与模式识别
2017-08-08 v2
摘要
我们提出了一种基于类名的新颖无监督零样本学习(ZSL)方法。大多数现有的无监督ZSL方法旨在学习一个直接比较图像特征与类名的模型。然而，由于类名的底层向量空间嵌入中非视觉语义占主导，这被证明是一项困难的任务。为解决此问题，我们判别性地学习一种词表示，使得类与属性名组合之间的相似性与视觉相似性相一致。与建立在属性存在性之上的传统零样本学习方法不同，我们的方法规避了为未见类进行繁琐的属性-类关系标注。此外，我们提出的方法使仅文本训练成为可能，因此可以在无需收集额外图像数据的情况下扩充训练。实验结果表明，我们的方法在三个基准数据集上取得了无监督ZSL的当前最优结果。
引用
@article{arxiv.1705.01734,
title = {Attributes2Classname: A discriminative model for attribute-based unsupervised zero-shot learning},
author = {Berkan Demirel and Ramazan Gokberk Cinbis and Nazli Ikizler-Cinbis},
journal= {arXiv preprint arXiv:1705.01734},
year = {2017}
}
备注
To appear at IEEE Int. Conference on Computer Vision (ICCV) 2017