利用众包发现属性意义的细微差别

为了学习语义属性，现有方法通常为词汇表中每个可命名属性的词训练一个判别模型。然而，这种“每个词一个模型”的假设是有问题的：虽然一个词可能有精确的语言学定义，但它未必有精确的视觉定义。我们提出发现属性含义的细微差别。给定一个属性名称，我们利用众包图像标签来发现不同标注者感知该命名概念背后的潜在因素。我们展示这些潜在因素中的结构有助于揭示细微差别，即由某组标注者共享的该属性的解释。利用这些细微差别，我们训练分类器以捕获该属性的主要（通常微妙的）变体。所得模型既具有语义又具有视觉精确性。通过迎合用户的解释，它们提高了在新图像上的属性预测精度。这些细微差别还通过提供用于检索多属性查询结果的鲁棒个性化模型，实现了更成功的基于属性的图像搜索。它们广泛适用于涉及描述视觉内容的任务，例如零样本类别学习和照片集合的组织。