Key points are not available for this paper at this time.
Da das Attributlernen mittleres semantisches Wissen für Objekte bereitstellt, kann es vielen traditionellen Lernproblemen in den Bereichen Multimedia und Computer Vision zugutekommen. Angesichts der enormen Anzahl von Attributen ist es äußerst herausfordernd, automatisch ein generalisierbares neuronales Netzwerk für andere Attributlerntasks zu entwerfen. Selbst für einen spezifischen Attributbereich wird die Erforschung der Architektur des neuronalen Netzwerks stets durch eine Kombination von Heuristiken und Gitter-Suche optimiert, wobei es einen großen Raum möglicher Optionen zu durchsuchen gibt. In diesem Papier wird das Generalizable Attribute Learning Model (GALM) vorgeschlagen, um automatisch die neuronalen Netzwerke für generalisierbares Attributlernen zu entwerfen. Das Hauptneuartigkeit von GALM besteht darin, dass es das Multi-Task-Learning und das Reinforcement-Learning vollständig ausnutzt, um das Suchverfahren zu beschleunigen. Mit Hilfe von Parameterteilung ist GALM in der Lage, die vorab gesuchte Architektur auf verschiedene Attributdomänen zu übertragen. In Experimenten bewerten wir GALM umfassend anhand von 251 Attributen aus drei Domänen: Tiere, Objekte und Szenen. Umfangreiche experimentelle Ergebnisse zeigen, dass GALM die modernen Ansätze des Attributlernens und frühere Methoden zur neuronalen Architektursuche in zwei allgemeinen Szenarien für Attributlernen erheblich übertrifft.
Cheng et al. (Mon,) untersuchten diese Frage.