视觉世界中三角分布的学习

卷积神经网络在包括标签分布学习在内的普遍视觉任务中取得成功，其通常采取从非线性视觉特征到定义良好的标签的学习映射的形式。然而，特征之间的差异如何映射到标签差异是模糊的，且其正确性无法保证。为解决这些问题，我们研究了特征与其标签之间的数学联系，提出了一个通用且简单的标签分布学习框架。我们提出了一种称为三角分布变换（TDT）的方法，以在特征与标签之间建立单射函数，保证任何对称的特征差异都能线性反映标签之间的差别。所提出的 TDT 可作为插件用于主流骨干网络以解决不同的标签分布学习任务。在人脸年龄识别、光照色度估计和美学评估上的实验表明，TDT 取得了与先前最优方法相当或更好的结果。