面向单正多标签学习的伪标签方法

数据标注的成本是多标签图像分类的一大障碍：在每张图像中，每个类别都必须被标注为存在或不存在。单正多标签（Single Positive Multi-Label, SPML）学习是一种经济高效的解决方案，其中每幅图像仅以单个正标签训练模型。因此，SPML是一个更具挑战性的领域，因为它需要处理缺失标签。在本工作中，我们提出一种将单正数据转化为全标签数据的方法：伪多标签（Pseudo Multi-Labels）。具体而言，先以单正标签训练一个教师网络。然后，我们将教师模型在训练数据上的预测视为真实标签，用以在全标签图像上训练学生网络。通过这一简单方法，我们表明学生模型所取得的性能接近以实际全标签图像训练的模型。