通过语义嵌入的凸组合实现零样本学习
机器学习
2017-02-28 v3
摘要
最近几篇出版物提出了将图像映射到连续语义嵌入空间的方法。在某些情况下，嵌入空间是与图像变换联合训练的。在其他情况下，语义嵌入空间由独立的自然语言处理任务建立，然后在第二阶段学习将该空间中的图像变换。这些图像嵌入系统的支持者强调了它们优于传统的 -way 分类图像理解框架的优势，特别是在零样本学习方面的前景——即正确标注以前未见过的物体类别图像的能力。在本文中，我们提出了一种简单的方法，利用任何现有的 -way 图像分类器和包含其词汇表中 个类标签的语义词嵌入模型来构建图像嵌入系统。我们的方法通过类标签嵌入向量的凸组合将图像映射到语义嵌入空间，且不需要额外的训练。我们表明，这种简单直接的方法具有与更复杂的图像嵌入方案相关的许多优势，并且在 ImageNet 零样本学习任务上确实优于最先进的方法。
引用
@article{arxiv.1312.5650,
title = {Zero-Shot Learning by Convex Combination of Semantic Embeddings},
author = {Mohammad Norouzi and Tomas Mikolov and Samy Bengio and Yoram Singer and Jonathon Shlens and Andrea Frome and Greg S. Corrado and Jeffrey Dean},
journal= {arXiv preprint arXiv:1312.5650},
year = {2017}
}