-
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。