学习超图正则化属性预测器
计算机视觉与模式识别
2015-03-20 v1 机器学习
摘要
我们提出了一种新颖的属性学习框架，称为基于超图的属性预测器（Hypergraph-based Attribute Predictor, HAP）。在 HAP 中，利用超图来描述数据中的属性关系。随后，属性预测问题被转化为一个正则化超图切割问题，其中 HAP 从特征空间到与属性空间对齐的超图嵌入空间联合学习一组属性投影。所学习的投影直接充当属性分类器（线性和核化）。这一公式化方法带来了非常高效的方案。通过将我们的模型视为多图切割任务，我们的框架可以灵活地融入其他可用信息，特别是类别标签。我们将我们的方法应用于属性预测、零样本和 -shot 学习任务。在 AWA、USAA 和 CUB 数据库上的结果表明，我们的方法与最先进方法相比具有显著价值。
引用
@article{arxiv.1503.05782,
title = {Learning Hypergraph-regularized Attribute Predictors},
author = {Sheng Huang and Mohamed Elhoseiny and Ahmed Elgammal and Dan Yang},
journal= {arXiv preprint arXiv:1503.05782},
year = {2015}
}
备注
This is an attribute learning paper accepted by CVPR 2015