摘要

属性（Attributes）是一种中间表示形式，能够在训练数据稀缺的情况下实现类间参数共享，这是至关重要的。我们提出将基于属性的图像分类问题视为一种标签嵌入（label-embedding）问题：每个类别被嵌入到属性向量的空间中。为此，我们引入了一个函数，用于衡量图像与标签嵌入之间的兼容性。该函数的参数在带标签的训练样本集上进行学习，以确保在给定一张图像时，正确的类别在排序中优于错误的类别。在 Animals With Attributes 和 Caltech-UCSD-Birds 数据集上的实验结果表明，所提出的框架在零样本学习（zero-shot learning）场景下显著优于标准的直接属性预测（Direct Attribute Prediction）基线方法。此外，该标签嵌入框架还具备其他优势，例如能够结合属性之外的其他信息源（如类别层次结构），并可平滑地从零样本学习过渡到大规模数据学习场景。