魯亞男 魯林溪 杜東舫

摘要 隨著社交網(wǎng)絡(luò)和社會標簽系統(tǒng)的飛速發(fā)展，新的標簽和概念不斷涌現(xiàn)。而對于圖像分類任務(wù)而言，傳統(tǒng)的機器學(xué)習(xí)方法通常需要大量的有標記數(shù)據(jù)才能訓(xùn)練出有效的模型，因此如何合理使用這些新出現(xiàn)的沒有標記信息的標簽和概念對目標圖像進行有效分類成為機器學(xué)習(xí)中迫切需要解決的問題。本文通過借鑒自編碼器的結(jié)構(gòu)，提出了一個同時考慮正向投影和反向投影的新模型來解決零樣本學(xué)習(xí)在圖像分類中的應(yīng)用。

【關(guān)鍵詞】零樣本學(xué)習(xí) 自編碼器 圖像分類

1 引言

傳統(tǒng)的圖像分類任務(wù)旨在將測試圖像分類到確定的標簽集中，但隨著社交網(wǎng)絡(luò)和社會標簽系統(tǒng)的飛速發(fā)展，新的標簽和概念不斷涌現(xiàn)，隨之而來的是人們使用這些新標簽對圖像進行標記的需求。而已有的監(jiān)督學(xué)習(xí)方法需要大量的標記信息才能進行有效分類，因此不能適用于這種沒有標記信息的情況，而無監(jiān)督學(xué)習(xí)的方法雖然可行，但卻不能充分利用已有的相關(guān)領(lǐng)域中的信息來提高目標領(lǐng)域中的分類性能。針對這種情況，零樣本學(xué)習(xí)應(yīng)運而生。

在零樣本學(xué)習(xí)中，源領(lǐng)域和目標領(lǐng)域含有不同的標簽集，并且對于目標領(lǐng)域中的標簽集沒有有標記的訓(xùn)練樣本可用。因此，零樣本學(xué)習(xí)的目標主要是通過將從有充足訓(xùn)練樣本的源領(lǐng)域中的己知類中學(xué)到的知識有效地遷移到目標領(lǐng)域中，以此來為目標領(lǐng)域中的在訓(xùn)練過程中沒有出現(xiàn)過的新類構(gòu)建有效的分類模型。本文通過借鑒自編碼器的結(jié)構(gòu)，將會給出一個采用了編碼.解碼框架的新的零樣本學(xué)習(xí)方法，并且使用標準的零樣本學(xué)習(xí)的數(shù)據(jù)集來驗證提出的算法的有效性。

2 符號定義與說明

4 實驗分析

4.1 數(shù)據(jù)集與實驗設(shè)置

本文采用4個標準的零樣本學(xué)習(xí)數(shù)據(jù)集（aPY、AwA、SUN和CUB）進行實驗，確保在實驗過程中訓(xùn)練類和測試類是不相交的。然后選擇3個當(dāng)前最優(yōu)的零樣本學(xué)習(xí)模型作為對比算法。模型參數(shù)的選擇采用交叉驗證法，最后算法的整體性能采用它在新的目標類上的分類準確度進行評估。

4.2 實驗結(jié)果與分析

實驗結(jié)果如表1所示。從中可以看出：本文提出的RevIZSL模型在4個數(shù)據(jù)集AwA、CUB、aPY和SUN上的分類準確度與對比算法相比有顯著的提升。尤其是在細粒度數(shù)據(jù)集CUB上的明顯提高，表明了提出的算法具有很好的判別能力，從而更進一步說明了RevIZSL算法的有效性。

5 結(jié)論

本文基于編碼.解碼框架提出了一個新的零樣本學(xué)習(xí)模型，并在自編碼器的共享參數(shù)思想的啟發(fā)下，在模型中結(jié)合了一個簡單有效的正則化項。受益于編碼，解碼框架，使得RevIZSL模型具有很好的魯棒性，并避免了Hubness問題的影響。為了解決提出的模型，本文也給出了相應(yīng)的簡單有效的學(xué)習(xí)算法。并通過實驗部分與現(xiàn)有算法進行對比，說明了提出算法的有效性。

參考文獻

[1] Lampert，C.H，H.Nickisch， and S.Harmeling.Learning to detect unseenobject classes by between-classattribute transfer. IEEE， 2009.

[2] Farhadi，Ali， et al. "Describing objectsby their attributes. "Computer Visionand Pattern Recognition，2009.CVPR2009.IEEEConferenceonIEEE， 2009：1778-1785.

[3] Shigeto， Yutaro， et al. "Ridgeregression，hubness，and zero-shot learning.”Joint EuropeanConference on Machine Learning andKnowledge Discovery in DatabasesSpringer， Cham， 2015： 135-151.

[4]Paredes，B. Romera， and P.Torr. "Anembarrassingly simple approach tozero-shot learning.”（2015）.

[5] Fu， Yanwei， and L.Sigal. "Semi-supervised Vocabulary-InformedLearning.” Computer Vision andPattern Recognition IEEE， 2016： 5337-5346.

[6] Changpinyo， Soravit，et al."Synthesized Classifiers for Zero-Shot Learning.”（2016）： 5327-5336.