论文阅读理解 - Zero-shot Image Tagging by Hierarchical Semantic Embedding

Zero-shot Image Tagging by Hierarchical Semantic Embedding

[Code]

许多细粒度视觉类别的标签获取较为困难，zero-shot 图像标注(image tagging) 旨在采用训练样本中不存在的新标签来标注图像.

现在通常做法是，采用神经语言模型(neural language model) 训练得到语义空间，将图像和标签投影到该语义空间，然后计算跨媒体的相似性，以进行图像标注. 但对于出现频次相对较少的标签，得到的与图像即其它标签的相似性可能不可靠.

本文提出层次语义嵌入(Hierarchical Semantic Embedding, HierSE)，采用 WordNet 层次来提高标签嵌入和图像嵌入效果. 另外，采用了两种好的技巧：采用 Flickr 标签来训练自然语言模型，而不是网络文档(web document)；采用部分匹配(partial match)向量化的 WordNet 节点，而不是全匹配的方式(full match).

zero-shot learning 不是寻找图像和目标标签的直接映射关系，其关键在于在图像和标签之间引入中间层，使得新标签也可在这层进行表示，即使没有该标签的图像样本.

1. 问题描述

给定未标注图片，zero-shot 图像标注的目标是，利用没有可用训练样本的标签对图片进行自动标注. 主要是通过将图像和新标签嵌入到一个共同的语义空间，以便于通过计算语义空间中对应向量的距离来估计其相关性.

记 $x$ 为图片， $y$ 为标签， $p(y|x)$ 为估计 标签 $y$ 关于图片 $x$ 相关性的分类器.

给定 $m_{0}$ 个训练标签集 $Y_{0}$，$n$ 个训练样本 $D_{0} = \{(x_i, y_i)\}_{i=1}^n$, $y_i \in Y_0$ . 相应地，记 $p_0(y|x)$ 为从 $D_0$ 学习得到的 $m_0$-way 分类器.

记 $Y_1$ 为具有 $m_1$ 个测试标签的集合，其在 zero-shot 学习中没有对应的训练样本， 即 $Y_0 \bigcap Y_1 = O$ .

基于 $D_0$ 和某些语义信息，zero-shot 旨在建立一个分类器 $p_1(y|x)$ 能够对于 $Y_1$ 能够表现良好.

该方法是在 [1] 的语义嵌入模型的基础上进行的.

2. 语义嵌入模型[1]

每一个标签(label) $y \in Y_{0} \bigcup Y$ 对应着一个语义嵌入向量 $s(y) \in S$，其中 $S$ 是 $q$ 维坐标空间.

在语义空间中，当且仅两个标签对应向量相近时，两个标签才相似.

在论文[1]中，$S$ 是采用 Wikipedia 文档训练 skip-gram 模型进行实例化的. 每个 $s(y)$ 是通过匹配 skip-gram 模型中的词语表示的 label得到.

通过将图像投影到语义空间$S$，即可计算跨媒体的相关性. 为了计算该相关性，该语义模型采用分类器 $p_0(y|x)$， 并创建 $x$ 语义嵌入向量为最相关训练标签的语义向量的凸化组合(convex combination)形式.

即：假设 $y(x,t)$ 为 $x$ 根据分类器 $p_{0}(y|x)$ 得到的最相似的第 $t$ 个训练标签，则 $x$ 的语义嵌入向量，记为 $f(x) \in S$，即可表示为：

$f(x) := \frac{1}{Z} \sum _{t=1}^{T} p_{0}(y(x,t)|x) \cdot s(y(x,t))$

其中， $T$ 为训练标签的最大数. $Z=\sum _{t=1}^{T} p_{0}(y(x,t)|x)$ 是归一化因子.

对于新的标签集 $Y_{1}$ 的分类器定义为：

$p_{1}(y|x) := cos(f(x), s(y))$

其中，$cos$ 为余弦距离.

3. 层次语义嵌入

本文方法是通过探索在 WordNet 中定义的层次结构，来构建标签嵌入和图像嵌入的.

假定每一个标签都在 WordNet 中对应一个节点. WordNet 层次结构使得可以从一个特定标签追踪到根节点，得到其所有的原型(ancestors)，记为 $supper(y)$.

在论文[1]中只使用了 $y$，这里同时利用 $y$ 和 $super(y)$.

直觉上，越与 $y$ 接近的节点应该贡献更多.

综上，这里定义层次嵌入向量 $s_{hi}(y)$ 为：

$s_{hi}(y) = \frac{1}{Z_{hi}} \sum_{y' \in {y} \bigcup super(y)}w(y'|y) \cdot s(y')$

其中，$w(y'|y)$ 是权重，服从关于从 $y$ 到 $y'$ 的最小路径长度的指数延迟(exponential delay). $Z_{hi} = \sum _{y' \in {y} \bigcup super(y)}w(y'|y)$ 是归一化因子.

在上述公式中，$super(y)$ 使得 $y$ 能够映射到语义空间 $S$ ，这种凸化组合使得稀少标签的相似性度量更加可靠.

4. Results

参考文献

[1] - Zero-shot learning by convex combination of semantic embedding. In ICLR, 2014