في آلة التعلم التقليدي، ويتم التدريب والاختبار للخروج على نفس مجموعة من الأنواع. في التعلم المثالي صفر (صفر التعلم شوت)، ومجموعة التدريب ونوع اختبار نوع مجموعة لا تداخل، أي البيانات التي تنتمي إلى مجموعة تدريبية لتدريب نوع النموذج، وبيانات تابعة لمجموعة التنبؤ أنواع الاختبار. نوع من التدريب ونوع الاختبار المطلوب لاقامة اتصال من خلال المعلومات الدلالي من جميع الأنواع، لوضعها في نوع من تدريب الأنواع نموذج تصنيف للاختبار. الأنواع الشائعة من المعلومات الدلالي بما في ذلك سمة (السمة) وناقلات كلمة (كلمة ناقلات) وهلم جرا. حيث الملكية تتطلب وضع علامات على الخط، ولكن أكثر دقة، وبالتالي أفضل. دعونا الخصائص البصرية للصورة المساحة المرئية (الفضاء البصري)، ويسمى هذا النوع من المعلومات الدلالي الفضاء الدلالي (الفضاء الدلالي). يتم تعيين الصفر المثال التقليدي لفئة كبيرة من التعلم الفضاء البصري إلى الفضاء الدلالي، أو في الفضاء إلى الفضاء البصري الدلالي معين، أو إلى كليهما تعيينها إلى فضاء جزئي المشترك. حيث يسمى رسم الخرائط علم رسم الخرائط البصرية الدلالي (رسم الخرائط البصرية-الدلالي). على سبيل المثال، هناك خاصية الفضاء الدلالي هو has_tail، ونحن بحاجة إلى أن نتعلم من الفضاء البصري لتعيين الملكية، وذلك نظرا لصور الحيوانات الجديدة، يمكننا تحديد أنه لا يوجد لديه ذيل. في هذه الحالة، تعيين الدلالي أي ما يعادل البصرية يتكون من عدة مصنفات خصائص. ولكن لأنواع مختلفة، خريطة الدلالات البصرية هي مختلفة جدا. مثل الحمار الوحشي والخنازير لديهم ذيول، لكن ذيولها وعرض مرئي مختلفة جدا، وبالتالي المصنف السمة المقابلة هو أيضا فرق كبير. إذا كان الأمر نفسه بالنسبة لجميع أنواع الخرائط الدلالي البصرية، وحصل على نوع الاختبار للخطر. تعرف هذه المشكلة لرسم الخرائط مجال الهجرة (التحول مجال الإسقاط) قضية التعلم الصفر من الأمثلة.

وتستخدم معظم طريقة التعيين نطاق حلها قبل الهجرة في مرحلة التدريب لاختبار نوع البيانات لم يتم وضع علامة، ونوع من التدريب واختبار لهذا النوع من التعلم تعيين المشترك، أو لأنواع التدريب والاختبار يتعلمون نوع من الخرائط. ومع ذلك، بسبب الخلافات بين مختلف أنواع الخرائط هي كبيرة، إلا أن تعلم واحد أو اثنين من الخرائط ليست كافية. ولذلك، فإننا نقترح على كل فئة وتعلم رسم الخرائط مختلف البصرية الدلالي (رسم الخرائط البصرية-الدلالي فئة محددة)، مقالة نشرت في مجلة عملية في معالجة الصور (T-IP) (https://ieeexplore.ieee.org/document / 8476580). على وجه التحديد، ونحن أول من اقترح طريقة AEZSL التقليدية، واستخدام نوع مماثل من العلاقة بين النوع من التدريب لكل اختبار خريطة الدلالات البصرية. ولكن للقيام بهذه المهمة الضخمة لهذه التكلفة التدريب عالية جدا، لذلك نقترح DAEZSL أسلوب التعلم العميق التدريب القائم على مرة واحدة فقط يمكن تطبيقها على أي نوع من أنواع الاختبار. تم إدخال ما يلي AEZSL وDAEZSL.

(1) التكيف تضمين صفر-شوت التعلم (AEZSL)

ويستند نهجنا في التعلم اطلاق النار صفر بسيط باحراج (ESZSL). ESZSL التعبير على النحو التالي،

حيث X هو سمة من سمات بصرية، A هي المعلومات الدلالي، W هو تعيين الدلالي البصرية، Y هو نوع من بطاقة المعلومات. ESZSL لجميع أنواع تعلم نفس البصرية الدلالي W. رسم الخرائط نحن تعديل طفيف على ESZSL الأساس، (التي تم الحصول عليها وفقا لنوع الحساب المعلومات الدلالي) باستخدام علاقة مماثلة بين كل نوع الاختبار وجميع أنواع التدريب، لكل اختبار مرئي نوع التعلم رسم الخرائط الدلالي منفصل، أعرب على النحو التالي:

حيث مرحاض هو ج-ال رسم الخرائط الدلالي الأنواع اختبار البصرية، SC هو ج-ال الأنواع الاختبار وجميع أنواع التدريب تشابه المصفوفة. وهذا يمكن أن تهاجر إلى اختبار المعنية البصرية العلاقة رسم الخرائط الدلالي بين نوع استخدام نوع مماثل. ولكن حاجتنا AEZSL لكل نوع الاختبار يتدربون تعيين الدلالي البصرية لتكاليف التدريب على العمل على نطاق واسع هي عالية جدا. لذلك، نقترح طريقة ديب AEZSL (DAEZSL) استنادا إلى عمق تعلم الحاجة إلى التدريب مرة واحدة فقط يمكن أن تنطبق على أي نوع من التدريب على أنواع من الاختبارات المفصلة أدناه.

(2) في أعماق AEZSL (DAEZSL)

ونحن نهدف إلى التعلم من هذا القبيل معين في أي نوع من المعلومات الدلالي، يمكننا بسهولة الحصول على هذا النوع من المعلومات ورسم الخرائط الدلالية البصرية من وظيفة رسم الخرائط الدلالية لخريطة الدلالات البصرية. ولكن مثل هذا درجة عالية من التعقيد وظيفة رسم الخرائط، لذلك علينا أن نأخذ وسيلة بديلة، نفترض أن كل نوع من الأنواع هناك البصرية الوزن ميزة التعلم، ومن ثم إعادة تعلم-وظيفة رسم الخرائط من الميزات المرئية المعلومات الدلالي إلى اليمين. تعلم الوزن يعادل التعلم الضمني للوزن بصري خاص من كل الأنواع لكل نوع من أنواع الخرائط الدلالي البصرية، شرحا مفصلا يرجى الرجوع إلى ورقة. لقد قمنا بتصميم هيكل الشبكة كما هو موضح أدناه. في مرحلة التدريب، على افتراض ما مجموعه أنواع التدريب C، في أعلاه الشبكة الفرعية، والصور التدريب يتم نسخ الخصائص البصرية إلى أجزاء C، في الشبكة الفرعية التالية، جميع أنواع المعلومات الدلالي توليد جميع أنواع الأوزان ميزة البصرية التي MLP ، C تعمل على الأجزاء نسخ الميزات المرئية. بعد الميزات المرئية مرجحة إجمالي طبقة الاتصال (المقابلة لرسم الخرائط الدلالي البصرية) وجميع أنواع المعلومات التي تم الحصول عليها الدلالي بضرب قيمة التنبؤ النهائية. خلال مرحلة الاختبار، صورة الاختبار أعلاه الشبكة الفرعية، جميع أنواع اختبار المعلومات الدلالي من خلال الشبكة الفرعية التالية، حصل بضرب قيمة التنبؤ صورة الاختبار.

فعلنا الكثير في CUB قاعدة بيانات ثلاثة على نطاق صغير، وتبين SUN، الكلاب وImageNet قاعدة بيانات واسعة النطاق النتائج التجريبية أن أسلوبنا على نطاق صغير وعلى نطاق واسع قواعد البيانات قد حققت أفضل النتائج. بالإضافة إلى النتائج الكمية، ونحن نقدم أيضا في عمق التحليل النوعي. لقد اخترنا اثنين "سوق البرغوث" نوع من الصور، تم تصنيف صورتين بنجاح طريقة AEZSL لدينا، ولكن تم تقسيمها إلى ESZSL خاطئة "متجر الأحذية". بمقارنة المعلومات الدلالي "سوق البرغوث" و "متجر الأحذية" و "قطعة قماش" و "الفضاء تشوش." هذه الخصائص هما أكثر تمثيلا من "سوق البرغوث". نحن الشكل أدناه يبين قيمة المتوقعة في "قطعة قماش" و "الفضاء تشوش،" اثنين من خصائص صورتين حصلت عليها ESZSL وAEZSL الأسلوب. من هذا الرقم يمكن أن ينظر في منطقتنا AEZSL نهج أعلى من المتوقع القيم على خاصيتين، وهو ما يعني أن نهجنا في أفضل القبض على "سوق البراغيث" في "قطعة قماش" لطفاء و"الفضاء تشوش،" خاصيتين معلومات الدلالي.

للحصول على شرح أفضل، ونحن قائمة تشمل أيضا "قطعة قماش" سمة من المحكمة الريشة هذين النوعين "و" حجرة النوم "، وأيضا يحتوي على نوعين من" "سمة" الفضاء تشوش إعادة تدوير مصنع "و" مكب النفايات ". وكما يتبين من الشكل، نفس يعرض على المعلومات الدلالي مختلفة جدا والخصائص البصرية على اختلاف أنواعها.

لنوع "سوق البرغوث"، نحن في قائمة الأقرب أنه وعدة أنواع من البازار، متجر الادخار، وسوق ومتجر عام (كما هو موضح أدناه). مرئي ل "قطعة قماش" و "الفضاء تشوش،" خاصيتين، "سوق البرغوث" والأنواع المذكورة أعلاه معا. نهجنا عن طريق عدة أنواع من الجمعيات و"سوق البرغوث" مماثلة لالتقاط أفضل الدلالي المعلومات "سوق البرغوث" نوع من "قطعة قماش" وسمة "الفضاء تشوش"، وتعلم المزيد من صالح في فئة رسم الخرائط الدلالي البصرية .

وباختصار، اقترحنا دراسة منفصلة خريطة الدلالات البصرية لكل نوع، كل نوع على معلومات أفضل الدلالي القبض، وذلك لإيجاد حل لمشكلة الهجرة رسم الخرائط نطاق سبيل المثال التعلم الصفر. على وجه التحديد، نقترح طريقة وDAEZSL AEZSL التقليدية على أساس عمق التعلم. AEZSL طريقة الاختبار لكل نوع من التدريب للحصول على رسم الخرائط الدلالي وبصرية وDAEZSL تحتاج فقط التدريب على نوع من وقت التدريب يمكن تطبيقها على أي نوع من أنواع الاختبار. نتائج التحليل الكمي والنوعي على قاعدة بيانات أربعة لإثبات تفوق نهجنا.