更可靠的伪标签，更好的性能：单正多标签学习的广义方法
计算机视觉与模式识别
2025-08-29 v1
摘要
多标签学习是一项具有挑战性的计算机视觉任务，需要为每张图像分配多个类别。然而，完全标注大规模数据集通常不切实际，因为成本高且工作量大，这推动了从部分标注数据中学习的研究。在单正多标签学习（SPML）的极端情况下，每张图像仅提供一个正标签，而所有其他标签保持未标注。传统的 SPML 方法将缺失标签视为未知或负标签，往往导致不准确和假阴性，而整合各种伪标签策略可能引入额外噪声。为解决这些挑战，我们提出广义伪标签鲁棒损失（GPR Loss），一种能够有效从多样化伪标签中学习同时抑制噪声的新型损失函数。作为补充，我们引入了一种简单而有效的动态增强多焦点伪标签（DAMP）技术。这些贡献共同构成了自适应高效视觉语言伪标签（AEVLP）框架。在四个基准数据集上的大量实验表明，我们的框架显著推进了多标签分类，达到了最先进的性能。
引用
@article{arxiv.2508.20381,
title = {More Reliable Pseudo-labels, Better Performance: A Generalized Approach to Single Positive Multi-label Learning},
author = {Luong Tran and Thieu Vo and Anh Nguyen and Sang Dinh and Van Nguyen},
journal= {arXiv preprint arXiv:2508.20381},
year = {2025}
}
备注
ICCV 2025