通过类间属性转移学习检测未见过的物体类别

我们研究在训练类别和测试类别不重叠的情况下进行物体分类的问题，即目标类别没有训练样本可用。这种设置在计算机视觉研究中几乎未被深入探讨，但它是常态而非例外，因为世界上存在数万种不同的物体类别，且只有极少数类别有形成并标注了合适类别标签的图像集合。本文通过引入基于属性的分类方法来解决该问题。该方法基于对目标物体的人类指定高级描述进行物体检测，而不是依赖训练图像。描述包括任意语义属性，如形状、颜色甚至地理信息。由于这些属性超越了特定的学习任务，可以预先学习，例如从与当前任务无关的图像数据集中。之后，新的类别可以基于其属性表示被检测出来，无需新的训练阶段。为了评估我们的方法并推动该领域研究，我们组建了新的大规模数据集“带属性的动物”，包含3万多张动物图像，涵盖Osherson经典表格中人类对85个语义属性与50种动物类别的关联强度。本实验表明，通过使用属性层，确实可以构建不需要目标类别训练图像的学习型物体检测系统。