Learning To Detect Unseen Object Classes by Between-Class Attribute Transfer(阅读报告)

        该论文发表在CVPR2009上，工作的主要的开创性在于：在此之前并没有对于毫无关联的训练集和测试集进行对象检测的工作。简单来说，对于监督学习训练的分类器而言，只能对训练集中包括的样本类别进行分类，比如，利用若干猫和狗的图片训练出的猫狗分类器，只能识别猫和狗，而不能识别鸡和鸭。该工作可以被归类为迁移学习的一种，被引用超过900次，是该研究问题的经典论文之一。

       算法的核心思想：进行对象检测时，基于人类指定的对象的高维特征描述，而不是仅仅利用训练图片训练出相应的特征。其中所讲到的高维特征描述包括形状、颜色，甚至地理信息等等。利用这些信息的主要原因是，它们能够一定程度上实现迁移学习。该工作的另一个贡献是提供了一个新的数据集（Animals with Attributes），该数据集实际上是基于先前一个数据集开发的，用于迁移学习的工作。
       该工作的动机：基于数据驱动的算法需要大量的标签样本进行学习，而获取足够数量且合适的标签数据集的成本往往很高。在此之前的算法，需要大量标签数据（监督学习），或至少需要少量的标签数据（半监督学习）。因此，作者希望能提出一种不需要任何目标数据类别信息的对象分类方法。

算法的流程：

      首先，对问题进行数学的形式化描述，这似乎是作为一个计算机科学研究者的基本能力之一。

      设(x1,l1),...,(xn,ln)为训练样本x和相应类别标签l的成对数据，数量为n，总共有k个类别，用Y={y1,...,yk}表示，算法的目的是学习一个分类器f:X -> Z，其中Z={z1,...,zL}，为类别标签。Y为训练集中所包括的类别，Z为测试集中所包括的类别，两者没有交集。

      为了实现上述功能，就需要建立Y于Z之间的联系，因为训练时，并没有任何关于Z的信息。因此作者提出可以建立一个人工定义的属性层A，这里要注意的是该