零镜头学习：基于相对属性的随机森林分类器

"基于相对属性的零镜头学习随机森林分类器" 在计算机视觉领域，零镜头学习（Zero-Shot Learning）是一种解决未见过类别的图像分类问题的方法，它依赖于先验知识，如语义标签或属性来跨越视觉类别。这篇研究论文发表在2018年《IEEE Transactions on Neural Networks and Learning Systems》上，由Yuhu Cheng等人撰写，提出了一种新颖的零镜头图像分类器——基于相对属性的随机森林分类器。 传统零镜头学习方法通常假设所有见过和未见过的图像都遵循高斯分布，并且通过最大似然估计来进行测试样本的分类。然而，这种方法存在局限性，因为实际数据往往不满足这些严格假设。为此，该论文提出了一种新的框架，利用相对属性（Relative Attributes，RAs）来克服这些限制。 首先，研究者利用来自已知类别的有序和无序图像对，引入了排序支持向量机（Ranking Support Vector Machine, RSVM）的概念来学习属性的排序函数。RSVM可以帮助捕捉到图像之间的相对属性关系，这对于构建分类模型至关重要。 其次，根据已知类别和未知类别之间的相对关系，他们构建了一个针对每个未见图像的RA排名得分模型。这个模型自动选择合适的已知类别参与建模过程，确保模型能够利用相对属性来推断未知类别的特性。 最后，研究人员训练了一个基于所有已知和未知图像属性的RA排名得分的随机森林分类器。随机森林是一种集成学习方法，通过构建多个决策树并结合它们的预测结果来提高分类准确性和鲁棒性。在这个应用中，每个决策树都基于不同属性的RA排名得分进行训练，从而增强了分类器处理未见过类别能力。 通过这种方法，提出的分类器能够在没有直接实例训练的情况下，有效地对未见过的类别进行分类。这为现实世界的图像识别问题提供了新的解决方案，特别是在数据标注成本高昂或难以获取的情况下，例如新的动物种类、物体类别等。这种基于相对属性的随机森林分类器展示了在零镜头学习领域的创新和潜力，有助于推动计算机视觉和机器学习领域的进一步发展。