难样本感知的时尚属性分类
计算机视觉与模式识别
2019-07-26 v1 机器学习
摘要
时尚属性分类对许多高层任务（如时尚单品搜索、时尚趋势分析、时尚推荐等）具有重要意义。由于数据分布极度不平衡，尤其是仅有少量正样本的属性，该任务具有挑战性。本文引入一种难样本感知流程以充分利用“难”样本/属性。我们首先提出难样本感知反向传播（HABP）来高效且自适应地聚焦于训练“难”数据。然后针对已识别的难标签，我们提出合成更多互补样本用于训练。为稳定训练，我们通过直接停用合成互补样本的输出（Deact）扩展了半监督 GAN。总体而言，我们的方法在处理“难”案例上更为有效。HABP 对“难”样本赋予更高权重；对于训练数据不足的“难”属性，Deact 带来更稳定的合成样本用于训练并进一步提升性能。我们的方法在大规模时尚数据集上得到验证，在无任何额外监督下优于其他 SOTA 方法。
引用
@article{arxiv.1907.10839,
title = {Hard-Aware Fashion Attribute Classification},
author = {Yun Ye and Yixin Li and Bo Wu and Wei Zhang and Lingyu Duan and Tao Mei},
journal= {arXiv preprint arXiv:1907.10839},
year = {2019}
}