基于双选强制选择度量学习的图像层次化标注
机器学习
2019-06-06 v2 计算机视觉与模式识别
机器学习
摘要
许多任务（如检索和推荐）可显著受益于数据的结构化，通常以层次化方式。通过高维数据（如图像或自然文本）的标注来实现这一点可能极为耗费人力。我们提出了一种基于高效判别性测试而非单个数据点标注来揭示数据层次结构的方法。利用双选强制选择（2AFC）测试和深度度量学习，我们实现了数据在语义空间中的嵌入，并能够成功进行层次化聚类。我们主动为 2AFC 测试选择三元组，使得建模过程就呈现给标注者的测试数量而言极为高效。我们通过在合成数据上确认形状偏置，并在 Fashion-MNIST 数据集上提取比原始标签更细粒度的层次结构，实证展示了该方法的可行性。
引用
@article{arxiv.1905.09523,
title = {Hierarchical Annotation of Images with Two-Alternative-Forced-Choice Metric Learning},
author = {Niels Hellinga and Vlado Menkovski},
journal= {arXiv preprint arXiv:1905.09523},
year = {2019}
}
备注
presented at 2019 ICML Workshop on Human in the Loop Learning (HILL 2019), Long Beach, USA