用于图像标注的多视图Hessian正则化
机器学习
2019-04-24 v1 计算机视觉与模式识别
机器学习
摘要
计算机硬件与互联网技术的快速发展使得大规模数据依赖模型在计算上可行，并为通过创新机器学习算法标注图像开辟了光明前景。半监督学习（SSL）因此近年来受到密集关注，并已成功部署于图像标注中。SSL中的一个代表性工作是Laplacian正则化（LR），它沿图Laplacian所编码的流形平滑用于分类的条件分布，然而，已观察到LR将分类函数偏向常数函数，可能导致泛化性能差。此外，LR被发展为处理均匀分布数据（或单视图数据），尽管实例或对象（如图像和视频）通常由多视图特征表示，例如颜色、形状和纹理。本文提出多视图Hessian正则化（mHR）以解决基于LR的图像标注中的上述两个问题。具体而言，mHR最优地组合多个Hessian正则化项，每一项由实例的特定视图获得，并引导沿数据流形线性变化的分类函数。我们将mHR应用于核最小二乘与支持向量机作为图像标注的两个示例。在PASCAL VOC'07数据集上的大量实验通过与包括LR和HR在内的基线算法比较，验证了mHR的有效性。
引用
@article{arxiv.1904.10100,
title = {Multiview Hessian Regularization for Image Annotation},
author = {Weifeng Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.10100},
year = {2019}
}