Réseaux d'ensemble progressifs pour la reconnaissance des tirs à zéro

Résumé

Malgré les progrès des algorithmes de reconnaissance d'images supervisés, leur dépendance à l'égard de la disponibilité de données étiquetées et l'expansion rapide des catégories d'images soulèvent le défi important de l'apprentissage à zéro. L'apprentissage zéro-temps (ZSL) vise à transférer les connaissances des classes étiquetées vers les classes non étiquetées afin de réduire l'effort d'étiquetage humain. Dans cet article, nous proposons un nouveau modèle de réseau d'ensemble progressif avec de multiples encastrements d'étiquettes projetées pour traiter la reconnaissance d'images sans étiquetage. Le réseau d'ensemble est construit en apprenant plusieurs fonctions de classification d'images avec un réseau d'extraction de caractéristiques partagé mais des représentations d'intégration d'étiquettes différentes, ce qui améliore la diversité des classificateurs et facilite le transfert d'informations vers des classes non étiquetées. Un cadre d'apprentissage progressif est ensuite déployé pour étiqueter progressivement les images les plus fiables de chaque classe non étiquetée avec des pseudo-étiquettes prédites et mettre à jour le réseau d'ensemble avec les données d'apprentissage complétées par les pseudo-étiquettes. Le modèle proposé effectue l'apprentissage sur des données étiquetées et non étiquetées. Il peut naturellement résoudre le problème du changement de domaine dans les apparences visuelles et être étendu au scénario d'apprentissage généralisé de l'image zéro. Nous menons des expériences sur plusieurs ensembles de données ZSL et les résultats empiriques démontrent l'efficacité du modèle proposé.