找回缺失的环节：为无监督零样本学习预测类别-属性关联
计算机视觉与模式识别
2016-10-18 v1
摘要
为所有视觉类别收集训练图像不仅昂贵而且不切实际。零样本学习 (ZSL)，尤其是基于属性的方法，为这一问题提供了实用的解决方案。然而，在测试时，大多数基于属性的方法需要每个未见类别的完整属性关联描述。提供这些关联非常耗时，且通常需要领域特定知识。本文旨在以无监督的方式执行基于属性的零样本分类。我们提出了一种学习关系的方法，将类别嵌入与其对应属性耦合起来。仅给定未见类别的名称，学习到的关系模型即可用于自动预测类别-属性关联。此外，我们的模型有助于跨数据集迁移属性，无需额外工作。整合来自多个来源的知识可显著进一步提升性能。我们在两个公开数据集上进行了评估：Animals with Attributes 和 aPascal/aYahoo。我们的方法在预测类别-属性关联和无监督 ZSL 方面均大幅优于当前最先进的方法。
引用
@article{arxiv.1610.04787,
title = {Recovering the Missing Link: Predicting Class-Attribute Associations for Unsupervised Zero-Shot Learning},
author = {Ziad Al-Halah and Makarand Tapaswi and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:1610.04787},
year = {2016}
}
备注
Published as a conference paper at CVPR 2016