Incrustación de Etiquetas para Clasificación Basada en Atributos

Los atributos son una representación intermedia, que permite compartir parámetros entre clases, algo necesario cuando los datos de entrenamiento son escasos. Proponemos ver la clasificación de imágenes basada en atributos como un problema de incrustación de etiquetas: cada clase se incrusta en el espacio de vectores de atributos. Introducimos una función que mide la compatibilidad entre una imagen y una incrustación de etiqueta. Los parámetros de esta función se aprenden en un conjunto de entrenamiento de muestras etiquetadas para asegurar que, dada una imagen, las clases correctas se clasifiquen más alto que las incorrectas. Los resultados en los conjuntos de datos Animales con Atributos y Caltech-UCSD-Birds muestran que el marco propuesto supera la línea base estándar de Predicción Directa de Atributos en un escenario de aprendizaje zero-shot. El marco de incrustación de etiquetas ofrece otras ventajas, como la capacidad de aprovechar fuentes alternativas de información además de los atributos (por ejemplo, jerarquías de clases) o de transitar suavemente del aprendizaje zero-shot al aprendizaje con grandes cantidades de datos.