PLMCL：面向多标签图像分类的部分标签动量课程学习

多标签图像分类旨在预测图像中所有可能的标签。鉴于在实践中标注每幅训练图像的全部标签代价高昂，该任务通常被表述为部分标签学习问题。现有部分标签学习工作聚焦于每幅训练图像仅以其标签子集标注的情形。一种特例是每幅训练图像仅标注一个正标签。为进一步减轻标注负担并提升分类器性能，本文提出一种新的部分标签设定：仅对训练图像的一个子集进行标注，每幅标注图像仅含一个正标签，而其余训练图像保持未标注。为处理这一新设定，我们提出一个端到端深度网络 PLMCL（部分标签动量课程学习），能够学习为部分标注与未标注的训练图像生成置信伪标签。所提基于动量的法则利用伪标签的更新速度来更新每幅训练图像上的软伪标签，有助于避免陷入低置信局部极小，尤其在训练早期缺乏观测标签与伪标签置信度时。此外，我们给出一种置信感知调度器，对不同标签自适应地执行由易到难的学习。大量实验表明，在三个不同数据集的多种部分标签设定下，所提 PLMCL 优于许多最先进的多标签分类方法。