DICNet：面向双不完整多视图多标签分类的深度实例级对比网络
计算机视觉与模式识别
2023-03-24 v2
摘要
近年来，多视图多标签学习引起了广泛的研究热情。然而，现实世界中的多视图多标签数据由于数据采集和人工标注的不确定因素而普遍不完整，这意味着不仅多视图特征经常缺失，标签完整性也难以满足。为应对双不完整多视图多标签分类问题，我们提出了一种深度实例级对比网络，即 DICNet。与传统方法不同，我们的 DICNet 侧重于利用深度神经网络挖掘样本的高层语义表示，而非浅层特征。首先，我们利用堆叠自编码器构建端到端的多视图特征提取框架，以学习样本的视图特定表示。此外，为提升共识表示能力，我们引入不完整的实例级对比学习方案，引导编码器更好地提取多视图的共识信息，并使用多视图加权融合模块增强语义特征的判别性。总体而言，我们的 DICNet 擅长捕获多视图多标签数据的一致判别性表示，并避免缺失视图和缺失标签的负面影响。在五个数据集上进行的广泛实验验证了我们的方法优于其他最先进的方法。
引用
@article{arxiv.2303.08358,
title = {DICNet: Deep Instance-Level Contrastive Network for Double Incomplete Multi-View Multi-Label Classification},
author = {Chengliang Liu and Jie Wen and Xiaoling Luo and Chao Huang and Zhihao Wu and Yong Xu},
journal= {arXiv preprint arXiv:2303.08358},
year = {2023}
}
备注
Accepted to AAAI-2023, code is available at https://github.com/justsmart/DICNet