基于伊辛模型的概率标签关系图
机器学习
2015-12-23 v3
摘要
我们考虑标签空间具有结构的分类问题。一个常见的例子是层次化标签空间，对应于一个标签包含另一个标签的情况（例如，动物包含狗）。但标签也可以互斥（例如，狗与猫）或无关（例如，毛茸茸、食肉动物）。为了联合建模层次和排斥关系，文献[7]引入了HEX（层次与排斥）图的概念。它将条件随机场（CRF）与深度神经网络（DNN）结合，在应用于视觉对象分类问题时取得了最先进的结果，其中训练标签来自ImageNet层次结构的不同级别（例如，图像可能被标记为基本层级类别“狗”，而不是更具体的标签“哈士奇”）。在本文中，我们扩展HEX模型以允许标签之间的软关系或概率关系，当两个标签之间的关系存在不确定性时这很有用（例如，羚羊“有点”毛茸茸，但程度不同于灰熊）。我们将新模型称为pHEX，即概率HEX。我们展示了pHEX图可以转换为伊辛模型，这使我们能够使用现有的现成推理方法（与HEX方法需要专门的推理算法相反）。实验结果表明在多个大规模视觉对象分类任务上有显著改进，优于先前的HEX模型。
引用
@article{arxiv.1503.01428,
title = {Probabilistic Label Relation Graphs with Ising Models},
author = {Nan Ding and Jia Deng and Kevin Murphy and Hartmut Neven},
journal= {arXiv preprint arXiv:1503.01428},
year = {2015}
}
备注
International Conference on Computer Vision (2015)