面向部分标签学习的有效视觉表征
计算机视觉与模式识别
2023-05-11 v1 机器学习
摘要
在部分标签学习（PLL）中，每个训练实例仅可访问包含未知真实标签的一组模糊候选标签，对比学习近期提升了PLL在视觉任务上的性能，这归因于通过对比同类/异类实体所学得的表征。在无法访问真实标签的情况下，正样本点使用 inherently 含噪的伪标签预测，负样本点常需要大批量或动量编码器，导致不可靠的相似性信息和高计算开销。本文中，我们重新思考了一种最先进的对比PLL方法PiCO[24]，启发了称为PaPi（带引导原型分类器的部分标签学习）的简洁框架的设计，其展示了在表征学习上的显著改进空间，从而有助于标签消歧。PaPi通过一个与之共享同一特征编码器的线性分类器来引导一个原型分类器的优化，从而显式鼓励表征反映类别间的视觉相似性。它在技术上也具有吸引力，因为PaPi仅需PiCO中的少数组件且引导方向相反，并直接消除了会引入噪声且消耗计算资源的对比学习模块。我们通过实验证明，PaPi在各种图像分类任务上显著优于其他PLL方法。
引用
@article{arxiv.2305.06080,
title = {Towards Effective Visual Representations for Partial-Label Learning},
author = {Shiyu Xia and Jiaqi Lv and Ning Xu and Gang Niu and Xin Geng},
journal= {arXiv preprint arXiv:2305.06080},
year = {2023}
}