用于零样本识别的语义一致正则化

本文考虑了语义在零样本学习中的作用。根据所提供的监督形式，分析了以往方法的有效性。虽然有些方法独立地学习语义，但另一些仅监督由训练类所解释的语义子空间。因此，前者能够约束整个空间，但缺乏建模语义相关性的能力。后者解决了这一问题，但使部分语义空间处于无监督状态。这种互补性被利用在一个新的卷积神经网络（CNN）框架中，该框架提出使用语义作为识别的约束。尽管为分类训练的CNN不具备迁移能力，但可以通过学习一个隐藏语义层以及用于分类的语义码来鼓励这种能力。随后引入了两种形式的语义约束。第一种是基于损失的正则化器，其对每个语义预测器引入泛化约束。第二种是码字正则化器，其倾向于与先验语义知识一致的语义到类的映射，同时允许这些映射从数据中学习。在多个数据集上实现了对最先进水平（state-of-the-art）的显著改进。