大规模可视化语义提取摘要简介-翻译公司.PDFVIP

翻译样稿 北京华译网翻译公司 大规模可视化语义提取 1 萨米·本戈欧 （Samy Bengio ） 谷歌研究中心 摘要 图像注释是为新的图像提供文本语义的任务，方法是根据注释与给定的图像 符合的程度对大量的可能注释进行排名。在大规模设置中，可能会有数百万图像 需要处理，不同的注释可能达到上千万。为了完成这样的任务，我们提出构建一 个所谓的嵌入空间，图像和注释都可以自动地投射到这个空间中。在这样的空间 中，我们就可能找到与给定图像最接近的注释，或者是与给定注释类似的注释。 我们甚至可以通过这些注释构建一个可视语义树，即概念（注释）在其可视特性 方面相互之间有着怎样的类似。这种树将不同于 WordNet （词汇网络）这样的没 有考虑概念的视觉呈现的单纯的语义树。 简介  万维网作为一种分享信息的工具出现，使得可供机器学习的可能的数据集的 规模大幅增大。Web 页面上数以百万的图像有着成千上万的可能的注释，这些注 释采用了便于通过查询检索引擎收集的 HTML 标签形式（Torralba 等人，2008 年）、 使用的标签形式，或者是 使用的人工组 织的标记形式（邓等人，2009 年）。因此我们需要用于图像注释的机器学习算法， 能够扩展对这种数据的学习并且注释这种数据。这包括（i ）可扩展的培训和测 试次数以及（ii ）可扩展的内存使用。在理想的情况下，至少是在注释时间上， 我们倾向于可以适用于笔记本电脑的快速算法。对于很多最近提出的在小型数据 集上测试过的模型，它们能否满足这些限制还不清楚。 在本文的第一部分，我们将研究实现这一目标的可能的方法。我们来考虑能 够学习在低维度嵌入空间中共同表示图像和注释的模型。这种嵌入空间在测试时                                                               1 本文概述了以下论文：韦斯顿等人与萨米•本戈欧和尼古拉斯•Usunier （2010 年），以及本 戈欧等人（2010 年）和杰森•韦斯顿与戴维•格朗吉耶。 翻译样稿 北京华译网翻译公司 翻译样稿 北京华译网翻译公司 间上较快，因为低维度意味着注释排名的计算更快速。同时，低维度意味着较少 的内存占用。为了使这种模型实现较好的性能，我们提出通过学习排名来训练其 参数，优化排名靠前的注释，例如优化k 的精度（p@k ）。 在本文的第二部分，我们提出了一种新颖的算法来在多类别分类任务中改善 测试时间，其中类别（或者标签）的数量非常巨大，即使是对类别数量使用线性 算法也是不可能完成计算的。我们提出了一种在以前提出的共同嵌入空间中学习 标签树结构的算法，通过优化总体的树损耗来为现有的树标记方法提供更高的精 度。 图像和标签的共同嵌入 我们提出学习向图像和注释都能够表示的特性空间的映射，如图1 所示。因 此，映射功能是不同的，但是可以共同学习来为我们的最终任务优化兴趣的监督 d 损耗，即注释图像。我们从一个图像表示x ∈ ∈ R 和一个注释表示i r={1,Y}开始， 收录到可能的注释的词典中。然后我们学习从图像特性空间到共同空间RD 的映 射， 同时共同学习注释映射， 可以将这些映射选为线性映射，例如