一种语义驱动的高质量图像标注方法

机器学习与计算机视觉近期的研究揭示了真实目标识别基准数据集中存在各类系统性缺陷。我们的基本观点是，这些缺陷根源于图像所编码的视觉信息与标注它们的标签预期语义之间的多对多映射。其最终结果是当前标注过程在很大程度上未被充分规定，从而给标注者的主观判断留下了过多自由。本文提出 vTelos，一种集自然语言处理、知识表示与计算机视觉于一体的方法论，其主要目标是显式化（否则为隐式的）预期标注语义，从而最小化主观选择的数量与作用。vTelos 的一个关键要素是利用 WordNet 词汇语义层级作为提供自然语言标签含义的主要手段，并由此基于图像所描绘的对象及其视觉属性来驱动图像标注。该方法论在填充 ImageNet 层级子集的图像上得到验证。