标注顺序至关重要：用于任意长度图像标注的循环图像标注器

自动图像标注在促进大规模图像管理与检索中一直是一个重要的研究课题。现有方法侧重于学习图像-标签相关性或标签间相关性以提高标注准确率。然而，这些方法大多使用固定 k 的 top-k 检索性能来评估其表现。尽管这种设定便于比较不同方法，但它并非人类标注图像的自然方式。标注标签的数量应取决于图像内容。受机器翻译与图像描述生成近期进展的启发，我们提出了一种新颖的循环图像标注器（RIA）模型，将图像标注任务形式化为序列生成问题，从而 RIA 能依据图像内容原生地预测恰当的标签长度。我们在多个图像标注数据集上评估了所提模型。除使用传统的 top-k 评估指标将我们的模型与现有方法比较外，我们还提供了我们的模型作为任意长度图像标注任务的高质量基线。此外，实验结果表明训练阶段的标签顺序对最终标注性能有很大影响。