Factorisation matricielle tri-factorielle avec régularisations de variété pour l'apprentissage sans coupure

L'apprentissage sans coupure (ZSL) vise à reconnaître des objets de classes non vues avec des données d'entraînement disponibles d'un autre ensemble de classes vues. Les solutions existantes se concentrent sur l'exploration du transfert de connaissances via une représentation sémantique intermédiaire (par exemple, des attributs) partagée entre les classes vues et non vues. Dans cet article, nous proposons un nouveau cadre de projection basé sur la factorisation matricielle tri-factorielle avec des régularisations de variété. Plus précisément, nous apprenons la projection de la représentation sémantique en décomposant la matrice des caractéristiques visuelles sous la direction des matrices de représentation sémantique et d'étiquettes de classes. En introduisant de plus des régularisations de variété sur les données visuelles et les représentations sémantiques, la projection apprise capture efficacement la structure géométrique de variété résidant à la fois dans les espaces visuels et sémantiques. Pour éviter le problème de décalage de domaine de projection, nous concevons un schéma de prédiction efficace en exploitant la structure de variété au moment du test. D'importantes expériences sur quatre ensembles de données de référence montrent que notre approche surpasse significativement l'état de l'art, offrant un rapport d'amélioration moyen de 7,4 % et 31,9 % pour les tâches de reconnaissance et de récupération, respectivement.