MAPLE：多路径自适应传播与层级感知嵌入用于层次化多标签图像分类
计算机视觉与模式识别
2026-04-01 v1
摘要
层次化多标签分类（HMLC）对于建模遥感中的结构化标签依赖关系至关重要。然而，现有方法在多路径设置中表现不佳，其中图像可能激活多个分类分支，导致层次化信息的利用不足。我们提出 MAPLE（多路径自适应传播与层级感知嵌入），一个整合了 (i) 来自图感知文本描述的层次化语义初始化，(ii) 通过图卷积网络（GCNs）进行的图结构编码，以及 (iii) 自适应多模态融合的框架，该框架动态平衡语义先验和视觉证据。自适应层级感知目标自动为每个层次选择合适的损失。在 CORINE 对齐的遥感数据集（AID、DFC-15 和 MLRSNet）上的评估显示，在少样本（few-shot）场景中持续提升高达 +42%，同时仅增加 2.6% 的参数开销，证明 MAPLE 能有效且高效地为地球观测（EO）建模层次化语义。
引用
@article{arxiv.2603.29784,
title = {MAPLE: Multi-Path Adaptive Propagation with Level-Aware Embeddings for Hierarchical Multi-Label Image Classification},
author = {Boshko Koloski and Marjan Stoimchev and Jurica Levatić and Dragi Kocev and Sašo Džeroski},
journal= {arXiv preprint arXiv:2603.29784},
year = {2026}
}
备注
REO: Advances in Representation Learning for Earth Observation, accepted workshow paper at EurIPS