基于图标签增强的多示例多标签学习
计算机视觉与模式识别
2023-04-24 v1 人工智能
摘要
多示例多标签（MIML）学习广泛应用于众多领域，例如图像分类中一幅图像同时包含与多个逻辑标签相关的多个示例。现有 MIML 中的相关标签均被假设为同等重要性的逻辑标签。然而，在 MIML 的实际应用中，每个标签对每包（如一幅图像）多个示例的重要性差异显著。忽略标签重要性将极大丢失对象语义信息，致使 MIML 在复杂场景中不适用且学习性能差。为此，本文提出一种基于图标签增强的新型 MIML 框架，即 GLEMIML，通过利用标签重要性提升 MIML 分类性能。GLEMIML 首先通过建图识别示例间相关性，进而通过非线性映射将特征空间挖掘的隐式信息迁移至标签空间，从而恢复标签重要性。最后，GLEMIML 通过匹配与交互机制在增强数据上训练。GLEMIML（平均排名：1.44）能有效通过挖掘标签分布机制改善 MIML 性能，并在多个基准数据集上优于 SOTA 方法（平均排名：2.92）。
引用
@article{arxiv.2304.10705,
title = {Graph based Label Enhancement for Multi-instance Multi-label learning},
author = {Houcheng Su and Jintao Huang and Daixian Liu and Rui Yan and Jiao Li and Chi-man Vong},
journal= {arXiv preprint arXiv:2304.10705},
year = {2023}
}
备注
7 pages,2 figures