零樣本學習在圖像分類中的應用

魯亞男 魯林溪 杜東舫

摘要 隨著社交網絡和社會標簽系統的飛速發展，新的標簽和概念不斷涌現。而對于圖像分類任務而言，傳統的機器學習方法通常需要大量的有標記數據才能訓練出有效的模型，因此如何合理使用這些新出現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習中迫切需要解決的問題。本文通過借鑒自編碼器的結構，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習在圖像分類中的應用。

【關鍵詞】零樣本學習 自編碼器 圖像分類

1 引言

傳統的圖像分類任務旨在將測試圖像分類到確定的標簽集中，但隨著社交網絡和社會標簽系統的飛速發展，新的標簽和概念不斷涌現，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。而已有的監督學習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，而無監督學習的方法雖然可行，但卻不能充分利用已有的相關領域中的信息來提高目標領域中的分類性能。針對這種情況，零樣本學習應運而生。

在零樣本學習中，源領域和目標領域含有不同的標簽集，并且對于目標領域中的標簽集沒有有標記的訓練樣本可用。因此，零樣本學習的目標主要是通過將從有充足訓練樣本的源領域中的己知類中學到的知識有效地遷移到目標領域中，以此來為目標領域中的在訓練過程中沒有出現過的新類構建有效的分類模型。本文通過借鑒自編碼器的結構，將會給出一個采用了編碼.解碼框架的新的零樣本學習方法，并且使用標準的零樣本學習的數據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 數據集與實驗設置

本文采用4個標準的零樣本學習數據集（aPY、AwA、SUN和CUB）進行實驗，確保在實驗過程中訓練類和測試類是不相交的。然后選擇3個當前最優的零樣本學習模型作為對比算法。模型參數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 實驗結果與分析

實驗結果如表1所示。從中可以看出：本文提出的RevIZSL模型在4個數據集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。尤其是在細粒度數據集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 結論

本文基于編碼.解碼框架提出了一個新的零樣本學習模型，并在自編碼器的共享參數思想的啟發下，在模型中結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，本文也給出了相應的簡單有效的學習算法。并通過實驗部分與現有算法進行對比，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.