Apprentissage zéro-shot via régression d'attribut et rectification de prototype de classe

L'apprentissage zéro-shot (ZSL) vise à classifier des exemples pour des classes invisibles (sans exemples d'entraînement) données certaines autres classes visibles (avec exemples d'entraînement). La plupart des approches existantes exploitent des informations de niveau intermédiaire (par exemple, les attributs) pour transférer des connaissances des classes vues aux classes invisibles. Une pratique courante consiste d'abord à apprendre des projections à partir d'échantillons vers des attributs sur les classes visibles via une méthode de régression, puis à appliquer ces projections directement aux classes invisibles. Cependant, il s'avère que cette manière de stratégie d'apprentissage entraîne facilement des problèmes de décalage de domaine de projection et de hubness, ce qui entrave les performances de la tâche ZSL. Dans cet article, nous formulons également le ZSL comme un problème de régression d'attribut. Cependant, contrairement aux solutions basées sur la régression générale, l'approche proposée est nouvelle en trois aspects. Premièrement, une méthode de rectification de prototype de classe est proposée pour connecter les classes invisibles aux classes visibles. Ici, un prototype de classe se réfère à une représentation vectorielle d'une classe, et il est également connu comme un centre de classe, une signature de classe, ou un exemplaire de classe. Deuxièmement, un schéma d'apprentissage alternatif est proposé pour exécuter conjointement la régression d'attribut et la rectification des prototypes de classe. Enfin, une nouvelle fonction objective qui prend en compte à la fois la précision de régression d'attribut et la discrimination des prototypes de classe est proposée. En introduisant une telle solution, les problèmes de décalage de domaine et de hubness peuvent être atténués. Les résultats expérimentaux sur trois ensembles de données publics (c'est-à-dire CUB200-2011, SUN Attribute, et aPaY) démontrent bien l'efficacité de notre approche.