论文阅读理解 - Zero-shot Image Tagging by Hierarchical Semantic Embedding
Zero-shot Image Tagging by Hierarchical Semantic Embedding
许多细粒度视觉类别的标签获取较为困难,zero-shot 图像标注(image tagging) 旨在采用训练样本中不存在的新标签来标注图像.
现在通常做法是,采用神经语言模型(neural language model) 训练得到语义空间,将图像和标签投影到该语义空间,然后计算跨媒体的相似性,以进行图像标注. 但对于出现频次相对较少的标签,得到的与图像即其它标签的相似性可能不可靠.
本文提出层次语义嵌入(Hierarchical Semantic Embedding, HierSE),采用 WordNet 层次来提高标签嵌入和图像嵌入效果. 另外,采用了两种好的技巧:采用 Flickr 标签来训练自然语言模型,而不是网络文档(web document);采用部分匹配(partial match)向量化的 WordNet 节点,而不是全匹配的方式(full match).
zero-shot learning 不是寻找图像和目标标签的直接映射关系,其关键在于在图像和标签之间引入中间层,使得新标签也可在这层进行表示,即使没有该标签的图像样本.
1. 问题描述
给定未标注图片,zero-shot 图像标注的目标是,利用没有可用训练样本的标签对图片进行自动标注. 主要是通过将图像和新标签嵌入到一个共同的语义空间,以便于通过计算语义空间中对应向量的距离来估计其相关性.
记 为图片, 为标签, 为估计 标签 关于图片 相关性的分类器.
给定 个训练标签集 , 个训练样本 , . 相应地,记 为从 学习得到的 -way 分类器.
记 为具有 个测试标签的集合,其在 zero-shot 学习中没有对应的训练样本, 即 .
基于 和某些语义信息,zero-shot 旨在建立一个分类器 能够对于 能够表现良好.
该方法是在 [1] 的语义嵌入模型的基础上进行的.
2. 语义嵌入模型[1]
每一个标签(label) 对应着一个语义嵌入向量 ,其中 是 维坐标空间.
在语义空间中,当且仅两个标签对应向量相近时,两个标签才相似.
在论文[1]中, 是采用 Wikipedia 文档训练 skip-gram 模型进行实例化的. 每个 是通过匹配 skip-gram 模型中的词语表示的 label得到.
通过将图像投影到语义空间,即可计算跨媒体的相关性. 为了计算该相关性,该语义模型采用分类器 , 并创建 语义嵌入向量为最相关训练标签的语义向量的凸化组合(convex combination)形式.
即:假设 为 根据分类器 得到的最相似的第 个训练标签,则 的语义嵌入向量,记为 ,即可表示为:
其中, 为训练标签的最大数. 是归一化因子.
对于新的标签集 的分类器定义为:
其中, 为余弦距离.
3. 层次语义嵌入
本文方法是通过探索在 WordNet 中定义的层次结构,来构建标签嵌入和图像嵌入的.
假定每一个标签都在 WordNet 中对应一个节点. WordNet 层次结构使得可以从一个特定标签追踪到根节点,得到其所有的原型(ancestors),记为 .
在论文[1]中只使用了 ,这里同时利用 和 .
直觉上,越与 接近的节点应该贡献更多.
综上,这里定义层次嵌入向量 为:
其中, 是权重,服从关于从 到 的最小路径长度的指数延迟(exponential delay). 是归一化因子.
在上述公式中, 使得 能够映射到语义空间 ,这种凸化组合使得稀少标签的相似性度量更加可靠.
4. Results
参考文献
[1] - Zero-shot learning by convex combination of semantic embedding. In ICLR, 2014