学习迁移特权信息

我们将一种称为“利用特权信息学习”（learning using privileged information, LUPI）的学习框架引入计算机视觉领域。我们聚焦于计算机视觉中的典型问题，即教会计算机识别图像中的物体。我们希望通过在训练阶段提供额外信息，使计算机能够更快地学习。作为关于图像数据的附加信息，我们考察了计算机视觉中此前已研究过的几种场景：属性、边界框和图像标签。这些信息是特权的，因为它们仅在训练时可用，而在测试时不可用。我们探索了两种能够利用这一额外信息源的最大间隔技术，分别用于二分类和多分类物体分类。我们将这些方法解释为在特权空间中学习物体的易学性与难学性，然后将此知识迁移以在原空间中训练出更好的分类器。我们对两种 LUPI 方法从特权空间到原始数据空间的信息迁移进行了全面的分析与比较。实验表明，融入特权信息可以提高分类准确率。最后，我们开展了用户研究，以了解哪些样本对人类学习而言是容易的，哪些是困难的，并探讨了这些信息与学习分类器时的易难样本之间的关系。