G2NetPL：面向部分标签图像分类的通用博弈论网络
计算机视觉与模式识别
2022-10-21 v1
摘要
多标签图像分类旨在预测图像中所有可能的标签。由于在实践中标注每幅训练图像的所有标签代价高昂，该问题通常被形式化为部分标签学习问题。现有部分标签学习工作聚焦于每幅训练图像仅以其正/负标签子集标注的情况。为有效解决部分标签分类，本文提出一种端到端的通用博弈论网络（G2NetPL）用于部分标签学习，该网络可应用于大多数部分标签设定，包括一种极具挑战但标注高效的设定：仅训练图像的一个子集被标注，每幅仅含一个正标签，而其余训练图像保持未标注。在G2NetPL中，每个未观测标签关联一个软伪标签，其与网络共同构成一个两人非零和 non-cooperative 博弈。网络的目标是在给定伪标签下最小化损失函数，而伪标签则在偏离网络所预测标签的惩罚下寻求收敛至1（正）或0（负）。此外，我们在网络损失中引入置信度感知调度器，以对不同标签自适应地执行由易到难的学习。大量实验表明，在三个不同数据集的多种部分标签设定下，我们提出的G2NetPL优于许多最先进的多标签分类方法。
引用
@article{arxiv.2210.11469,
title = {G2NetPL: Generic Game-Theoretic Network for Partial-Label Image Classification},
author = {Rabab Abdelfattah and Xin Zhang and Mostafa M. Fouda and Xiaofeng Wang and Song Wang},
journal= {arXiv preprint arXiv:2210.11469},
year = {2022}
}
备注
Accepted by BMVC2022