零样本论文学习

最新推荐文章于 2024-06-30 01:59:02 发布

qq_41692364

最新推荐文章于 2024-06-30 01:59:02 发布

阅读量831

点赞数

文章标签：机器学习深度学习 python

本文链接：https://blog.csdn.net/qq_41692364/article/details/121480104

版权

本文探讨了在零样本学习（ZSL）场景下，如何利用属性进行图像分类。提出了一种称为标签嵌入（Label-Embedding）的方法，将类别嵌入到属性向量空间中，以解决DAP模型的局限性。通过学习兼容性函数，确保正确类别在给定图像的排名中靠前。实验表明，该框架在有属性动物和CUB数据集上优于标准DAP基线，并能利用额外信息源和类层次结构。

摘要由CSDN通过智能技术生成

2013《Label-Embedding for Attribute-Based Classification》

本文摘要：属性是一种中间表示，它（属性特征）支持类之间的参数共享，这在训练数据稀缺的情况下是必须的。我们提出将基于属性的图像分类看作一个标签嵌入问题：每一类都嵌入在属性向量空间中。我们引入了一个函数来衡量图像和标签嵌入之间的兼容性。该函数的参数是在标签样本的训练集上学习的，以确保在给定图像的情况下，正确的类别排名高于不正确的类别。在有属性动物和CUB数据集上的结果表明，在ZSL场景中，所提出的框架优于标准的DAP基线。标签嵌入框架提供了其他优点，例如能够利用除属性(例如，类层次结构)之外的替代信息源，或者能够平稳地从零概率学习过渡到具有大量数据的学习。

首先提及到DAP模型的思路，为每一个属性学习一个分类器；分类时根据输入的图像，计算每一个属性的后验概率，然后计算类后验概率，使用MAP估计来预测类标签。得到 DAP模型的三个缺点：1、对预测属性的性能可以，但对于分类效果差；2、对于新加入的样本，不可扩展，模型需要重新训练；3、除了属性其他的信息难以利用。