《Semantic Autoencoder for Zero-Shot learning》阅读笔记

一、介绍

由CVPR2017收录。利用语义自编码器实现zero-shot learning的工作，其主要贡献是：

（1）提出了一种新的用于zero-shot learning语义自编码模型；

（2）提出了模型对应的高效的学习算法；

（3）算法具有扩展性，可以用于监督聚类问题（supervised clustering问题）。实验证明，该算法在多个数据集上能取得最好效果。

--------------------------------------------------------------------------------------------------------------------------------------------------------------

（1）提出了SAE算法

（2）在一定程度上解决了训练集和测试集的领域漂移（Domain Shift）问题。

领域漂移（Domain Shift）问题：当训练集和测试集当的类别相差很大的时候，结果受影响较大。如训练集是动物，测试集为建筑类别；又如马的尾巴和猪的尾巴长度相差较大。

二、整体结构

下图为作者使用的自编码器，共3层（X，S，X~），对原始样本进行编码。

其中X为样本，S为自编码器的隐层，X ~为由隐层重建的X的表示。