一种有效的缺失标签多标签分类方法
计算机视觉与模式识别
2022-10-26 v1
摘要
与多类分类相比，包含多个类别的多标签分类在现实生活场景中更为适用。然而，就标注工作量而言，为多标签分类问题获取完全标注的高质量数据集极其昂贵，有时甚至不可行，尤其是当标签空间过大时。这推动了部分标签分类的研究，其中仅标注有限数量的标签，其余标签缺失。为解决该问题，我们首先提出一种基于伪标签的方法，在不给现有分类网络带来额外复杂性的情况下降低标注成本。然后我们定量研究了缺失标签对分类器性能的影响。此外，通过设计一种新颖的损失函数，我们能够放宽每个实例必须包含至少一个正标签的要求，而这是大多数现有方法中常用的。通过在三个大规模多标签图像数据集（即MS-COCO、NUS-WIDE和Pascal VOC12）上的综合实验，我们表明我们的方法能处理正标签与负标签之间的不平衡，同时在大多数情况下仍优于现有的缺失标签学习方法，且在某些情况下甚至接近使用完全标注数据集的方法。
引用
@article{arxiv.2210.13651,
title = {An Effective Approach for Multi-label Classification with Missing Labels},
author = {Xin Zhang and Rabab Abdelfattah and Yuqi Song and Xiaofeng Wang},
journal= {arXiv preprint arXiv:2210.13651},
year = {2022}
}