用于部分多视图不完整多标签分类的任务增强跨视图插补网络
计算机视觉与模式识别
2025-03-25 v2
摘要
在真实场景中，由于数据收集的限制和不可靠的标注过程，多视图多标签学习经常面临训练数据不完整的挑战。多视图特征的缺失损害了对样本的全面理解，遗漏了对分类至关重要的关键细节。为了解决这个问题，我们提出了一种任务增强跨视图插补网络（TACVI-Net），用于处理部分多视图不完整多标签分类。具体而言，我们采用两阶段网络来推导高度任务相关的特征，以恢复缺失的视图。在第一阶段，我们利用信息瓶颈理论，通过特定于视图的编码器-分类器架构提取任务相关信息，从而获得每个视图的判别性表示。在第二阶段，利用基于自编码器的多视图重建网络来提取增强特征的高级语义表示并恢复缺失数据，从而辅助最终的分类任务。在五个数据集上的大量实验表明，我们的 TACVI-Net 优于其他最先进的方法。
引用
@article{arxiv.2409.07931,
title = {Task-Augmented Cross-View Imputation Network for Partial Multi-View Incomplete Multi-Label Classification},
author = {Lian Zhao and Jie Wen and Xiaohuan Lu and Wai Keung Wong and Jiang Long and Wulin Xie},
journal= {arXiv preprint arXiv:2409.07931},
year = {2025}
}