从单一正标签中进行多标签学习
计算机视觉与模式识别
2021-10-25 v2 机器学习
摘要
预测给定图像的所有适用标签被称为多标签分类。与标准的多类情形（每幅图像只有一个标签）相比，为多标签分类标注训练数据要困难得多。当潜在标签数量很大时，人类标注者很难提及每幅训练图像的所有适用标签。此外，在某些设置中检测本身就很困难，例如在高分辨率图像中寻找小物体实例。因此，多标签训练数据常受假阴性困扰。我们考虑该问题最困难的版本，即标注者每幅图像仅提供一个相关标签。结果，训练集每幅图像只有一个正标签且没有确认的负标签。我们在四个不同的多标签图像分类数据集上，针对线性分类器与端到端微调深度网络，探索了这一缺失标签学习的特殊情况。我们将现有的多标签损失扩展到该设置，并提出了在训练期间约束期望正标签数量的新变体。令人惊讶的是，我们表明在某些情况下，尽管训练所用确认标签显著更少，仍有可能接近全标签分类器的性能。
引用
@article{arxiv.2106.09708,
title = {Multi-Label Learning from Single Positive Labels},
author = {Elijah Cole and Oisin Mac Aodha and Titouan Lorieul and Pietro Perona and Dan Morris and Nebojsa Jojic},
journal= {arXiv preprint arXiv:2106.09708},
year = {2021}
}
备注
CVPR 2021. Supplementary material included