面向单正标签多标签学习中对未知标签的承认
计算机视觉与模式识别
2022-07-26 v2
摘要
由于收集详尽的多标签标注十分困难，多标签数据集常包含部分标签。我们考虑这种弱监督学习问题的一个极端情形，称为单正多标签学习（SPML），其中每个多标签训练图像仅有一个正标签。传统上，在 SPML 中所有未标注标签被假定为负标签，这引入了假负标签，并导致模型训练被假定负标签所主导。本工作中，我们选择从另一视角对待所有未标注标签，即承认它们是未知的。因此，我们提出熵最大化（EM）损失以获得一种特殊的梯度机制来提供适当的监督信号。此外，我们提出非对称伪标注（APL），其采用非对称容忍策略与自步过程，与 EM 损失协作从而提供更精确的监督。实验表明，我们的方法显著提升性能，并在全部四个基准上取得最先进结果。代码见 https://github.com/Correr-Zhou/SPML-AckTheUnknown。
引用
@article{arxiv.2203.16219,
title = {Acknowledging the Unknown for Multi-label Learning with Single Positive Labels},
author = {Donghao Zhou and Pengfei Chen and Qiong Wang and Guangyong Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2203.16219},
year = {2022}
}
备注
Accepted by ECCV2022