半监督词汇信息学习

尽管物体分类取得了显著进展，但近年来许多重要挑战依然存在，主要是从有限标记数据学习的能力，以及在庞大且可能开放的标签集合中识别物体类别的能力。零样本学习是解决这些挑战的一种方法，但仅被证明在有限大小的类别词汇表下有效，且通常要求监督类与无监督类分离，允许前者告知后者而反之则不行。我们提出半监督词汇信息学习的概念，以缓解上述挑战，并使用统一框架解决监督、零样本和开放集识别问题。具体而言，我们提出一种基于语义流形的最大间隔识别框架，该框架结合了来自（监督和未监督）词汇原子的距离约束，确保标记样本在嵌入空间中被投影到最接近其正确原型，而非其他原型。我们展示了所得模型在监督、零样本和大型开放集识别上均有改进，在AwA和ImageNet数据集上词汇表规模可达310K类。