仿射子空间中的深度多标签分类
计算机视觉与模式识别
2019-07-11 v1 机器学习
摘要
在多标签分类（MLC）问题中，医学影像领域的应用正日益增多。这部分是因为获取 MLC 标注远比语义分割轻松，却又比多类分类更具表现力。然而，训练 MLC 时多数方法仍沿用传统多类分类设定的类似目标函数。本工作中我们指出此类方法并非最优，并提出了一种新颖的仿射子空间深度 MLC 分类方法。该方法核心在于将类标签特征拉向不同仿射子空间，同时最大化它们之间的间距。我们在两个 MLC 医学影像数据集上评估了该方法，并显示相较以往多标签框架有大幅性能提升。该方法可视为即插即用的替换损失函数，并支持端到端训练。
引用
@article{arxiv.1907.04563,
title = {Deep Multi Label Classification in Affine Subspaces},
author = {Thomas Kurmann and Pablo Marquez Neila and Sebastian Wolf and Raphael Sznitman},
journal= {arXiv preprint arXiv:1907.04563},
year = {2019}
}