标签层级转移：深入类别层级以增强深度分类器
计算机视觉与模式识别
2023-11-01 v2 机器学习
摘要
层级分类旨在将对象排序到类别的层级结构中。例如，鸟可按目、科、种的三级层级分类。现有方法通常将层级分类解耦为一系列多类分类任务来处理。然而，这种多任务学习策略未能充分利用层级不同层级间各类别的相关性。本文提出标签层级转移（LHT），一种基于深度学习的统一概率框架，以应对层级分类的挑战。LHT 框架由转移网络与混淆损失组成。转移网络专注于显式学习标签层级转移矩阵，有潜力有效编码类层级中蕴含的相关性。混淆损失鼓励分类网络在训练期间学习跨不同标签层级的相关性。所提框架可轻松适配任何现有深度网络，仅需微小修改。我们在一系列公开基准数据集上实验层级分类问题，结果表明我们的方法优于当前 SOTA 方法。此外，我们将所提 LHT 框架扩展到皮肤病变诊断任务，并验证其在计算机辅助诊断中的巨大潜力。我们的方法代码见于 \href{https://github.com/renzhenwang/label-hierarchy-transition}{https://github.com/renzhenwang/label-hierarchy-transition}。
引用
@article{arxiv.2112.02353,
title = {Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers},
author = {Renzhen Wang and De cai and Kaiwen Xiao and Xixi Jia and Xiao Han and Deyu Meng},
journal= {arXiv preprint arXiv:2112.02353},
year = {2023}
}