用于大规模图像重标注的社会锚单元图正则化张量补全
计算机视觉与模式识别
2018-10-04 v2
摘要
图像重标注旨在通过精炼原始标签或赋予新的高质量标签来改善社交图像的标签质量。近期方法通过构建并探索图像-标签-用户图，同时利用视觉、用户和标签信息来提升图像重标注性能。然而，随着图像、标签和用户数量的快速增长，此类方法在计算上将变得不可行。已有证明表明，锚图正则化（AGR）通过仅探索少量锚点即可显著加速大规模图学习模型。受此启发，我们提出一种新颖的社会锚单元图正则化张量补全（SUGAR-TC）方法，以有效精炼社交图像的标签，且该方法对所应用数据的规模不敏感。首先，我们跨多个域（如图像域与用户域）构建锚单元图，而非传统单域中的锚图。其次，基于 SUGAR 对原始图像-标签-用户张量进行张量补全，以精炼锚图像的标签。第三，我们利用非锚图像与锚单元之间的关系，高效地为非锚图像分配标签。在真实世界社交图像数据库上的实验结果充分展示了 SUGAR-TC 的有效性，其优于若干相关方法。
引用
@article{arxiv.1804.04397,
title = {Social Anchor-Unit Graph Regularized Tensor Completion for Large-Scale Image Retagging},
author = {Jinhui Tang and Xiangbo Shu and Zechao Li and Yu-Gang Jiang and Qi Tian},
journal= {arXiv preprint arXiv:1804.04397},
year = {2018}
}