Agrupación de Atributos Probabilística AND-OR para Aprendizaje Sin Ejemplos Previos

En el aprendizaje sin ejemplos previos (ZSL), un clasificador se entrena para reconocer clases visuales sin ninguna muestra de imagen. En su lugar, se le proporciona información semántica sobre la clase, como una descripción textual o un conjunto de atributos. Aprender a partir de atributos podría beneficiarse de modelar explícitamente la estructura del espacio de atributos. Desafortunadamente, aprender la estructura general a partir de muestras empíricas es difícil con los tamaños típicos de conjuntos de datos. Aquí describimos LAGO, un modelo probabilístico diseñado para capturar relaciones naturales suaves y-o entre grupos de atributos. Mostramos cómo este modelo puede ser aprendido de manera integral con un modelo de detección de atributos profundo. La estructura de grupo suave puede ser aprendida a partir de datos de manera conjunta como parte del modelo, y también puede incorporar fácilmente el conocimiento previo sobre grupos si está disponible. La estructura suave y-o logra capturar estructuras significativas y predictivas, mejorando la precisión del aprendizaje sin ejemplos previos en dos de tres referencias. Finalmente, LAGO revela una formulación unificada sobre dos enfoques ZSL: DAP (Lampert et al., 2009) y ESZSL (Romera-Paredes & Torr, 2015). Curiosamente, tomar solo un grupo singleton para cada atributo introduce una nueva relajación suave de DAP, que supera a DAP en aproximadamente un 40.