Generalized zero-shot object recognition without class-attribute relations

Son on yılda, gözetimli derin öğrenme yaklaşımlarındaki ilerlemelerin ardından görüntü sınıflandırma performanslarında büyük gelişmeler kaydedildi. Ancak, bu gözetimli yaklaşımlar, genellikle büyük miktarlarda etiketli eğitim verilerine ihtiyaç duymaktadır. Bu örneklerin toplanması ve etiketlenmesi özellikle çok sayıda sınıfı kapsamak gerektiğinde oldukça külfetli ve hataya açık bir iştir. Gözetimli tanıma tekniklerine ait bu sınırın üstesinden gelmeye yönelik umut verici yaklaşımlardan biri, sıfır-örnekli öğrenmedir. İnsanın görme yeteneklerinden esinlenen sıfır-örnekli öğrenme, yardımcı sınıf bilgisi olarak adlandırdığımız, tamamen kategori genelindeki bilgilere dayanarak yeni nesne kategorilerinin tanınmasını amaçlamaktadır. Genelleştirilmiş sıfır-örnekli öğrenme adı verilen daha modern bir alternatifi ise, sadece sıfır-örnekli sınıfların yeni örneklerini değil, aynı zamanda gözetimli eğitim örnekleri bulunan sınıfların yeni örneklerini de doğru şekilde sınıflandırabilen modeller oluşturmayı amaçlamaktadır. Son zamanlardaki genelleştirilmiş sıfır-örnekli öğrenme yaklaşımları, her bir ilgili sınıfı karakterize eden niteliklerin bir uzman tarafından tanımlanmasını gerektiren, nitelik tabanlı yardımcı sınıf bilgisine dayanır. Gerçekte, bu tür sınıf-nitelik ilişkilerini tanımlamak genellikle zor olduğundan, bu gereklilik sıfır-örnekli öğrenmenin uygulanabilirliğini büyük ölçüde azaltır. Bu gerekliliği aşmak için, bu tezde, yalnızca yeni sınıfların adlarına ihtiyaç duyan ve sözde-niteliklerini tamamen bir dizi aday sözde-niteliklerin kelime temsillerine dayalı olarak uçtan uca dolaylı öğrenen bir model öneriyoruz. Bu tür kelime temsillerinin elde edilmesi, sınıf-nitelik ilişkilerine göre çok daha kolaydır, çünkü vektör uzayında kelime temsillerini sağlayan önceden eğitilmiş bir dil modelinden ilgili bir dizi kelime kolayca seçilip kullanılabilir. Ek olarak, genelleştirilmiş sıfır-örnekli öğrenmeyi geliştirmek için sınıftan sınıfa isim benzerlik skorlarına dayanan karşılaştırmalı basit bir kayıp terimi öneriyoruz. Deneysel sonuçlarımız, önerilen yaklaşımın sınıf adına dayalı genelleştirilmiş sıfır-örnekli öğrenme için en başarılı olduğunu göstermektedir.