通过鲁棒 HodgeRank 评估视觉属性

如今，如何有效评估视觉属性已成为细粒度视觉理解的一个热门话题。在本文中，我们研究了如何借助在线众包平台的标注者，从排序的角度来估计此类视觉属性。我们任务的主要挑战有两方面。一方面，标注往往包含受污染的信息，其中一小部分标签翻转可能会破坏整个数据集的全局排序。另一方面，考虑到巨大的数据容量，标注往往远不完整。更糟糕的是，甚至可能存在标注不平衡的情况，即一小部分样本被频繁标注。面对这些挑战，我们提出了一种基于不平衡和不完整排序数据的 Hodge 分解原理的鲁棒排序框架。根据 HodgeRank 理论，我们发现污染的主要来源来自 Hodge 分解的循环排序分量。这引导我们将异常检测表述为循环排序投影的稀疏近似。更进一步，这促进了一种新的异常检测模型，即鲁棒统计学中的 Huber's LASSO。此外，基于线性化 Bregman 迭代开发了简单且可扩展的算法，以实现偏差更小的估计量。在几乎相同的条件下，建立了这两种情况下异常检测的统计一致性。我们的研究得到了模拟示例和真实世界数据实验的支持。所提出的框架为处理源自计算机视觉的大规模众包数据的鲁棒排序提供了一个有前景的工具。