ECCVJul, 2012

社交网络元数据在网络上对图像分类的标签化

PDF
TL;DR研究了四个流行的基准数据集，扩展了它们的社交网络元数据，如每张图片所属的组，与该图片相关的评论线程，上传者，其位置和朋友的网络，探讨了社交网络元数据在图像分类中的应用，通过构建一个二元标签网络模型，使用结构化学习技术来学习模型参数，发现社交网络元数据在各种分类任务中很有用，并在许多情况下胜过基于图像内容的方法。
image retrievalbenchmark datasetssocial-network metadatabinary labeling problemstructured learning techniques
发现论文，激发创造
  • 利用图像元数据进行图像注释：关爱邻里

    利用社交网络元数据构建图像社区，结合深度神经网络，使用 Jacard 相似性衡量图像间的关系，实现多标签图像注释的非参模型，相比参数模型更加稳健。

    Aug, 2015

  • 用户提供的标签用于图像分类和检索

    该研究提出了一种从用户提供的标签中直接学习图像分类的方法，使用大规模的分类算法和校准过程来分析 Flickr 100 Million Image 数据集。结果表明，与昂贵的手动注释相比，免费可用的用户标签可以获得类似或更优异的结果。

    Nov, 2014

  • 网络结构、元数据和缺失节点与注释的预测

    本文提出了一种用于评估社区检测算法的数据和元数据的联合生成模型及其参数推断方法，通过预测网络中边的位置来评估元数据的质量，并且展示了如何利用这个特点来预测缺失的节点和元数据。研究结果表明，尽管数据组和元数据标记之间很少存在精确的一致性，但元数据通常仍可以提供网络结构的信息，并且可以提高缺失节点的预测能力。

    Apr, 2016

  • 社交网络中的节点分类

    本文旨在回顾用于标记传播的分类技术，主要包括基于传统分类器迭代应用的图特征方法和通过随机游走传播现有标签的方法，并着重说明两种方法类似之处。此外，我们也讨论了节点分类的相关扩展和方向。

    Jan, 2011

  • 社交媒体中的合作特征学习

    本研究提出了一种新的基于社交媒体用户行为数据驱动的图像特征学习范式，该范式不依赖于类别标签，而是利用潜在空间中发现的图像关系指导图像特征学习，应用于 Behance.net 的数据集验证表明，该方法显著优于目前最先进的图像特征，能够更好地学习图像相似度。

    Feb, 2015

  • 元数据提升多任务引导下的分割

    通过在卷积网络中使用通道调制机制，将元信息作为附加输入，可以改善语义分割结果，并且在实现上成本低廉，是流行模型的一个灵活附加组件。

    Aug, 2023

  • 社交化语义差距缩小：图像标签分配、精化和检索的比较调研

    本文介绍了基于内容和标签的图像检索方法中，标签赋值、细化、检索三个问题的处理方法，分类讨论了各种方法的实现及其信息利用方式，并提出了实验方案以便更准确地评估算法表现。

    Mar, 2015

  • 从策展媒体学习弱监督的集体特征

    提出一种基于人类编辑过程的新典范，使得特征学习可以通过人类筛选作为弱标签的文本标签进行学习。通过将人类筛选的内容标记为弱标签，提出一种新的用于学习鉴别特征的框架，其中我们将鉴别特征定义为用于表示用户在创建组时想要表达的语义概念空间的表示。

    Feb, 2018

  • 使用标签关系学习结构化推断神经网络

    本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

    Nov, 2015

  • 使用神经网络从异构证据学习个体的多方面表示

    我们采用神经网络学习个人的多维表示，结合社交媒体上的丰富语言和网络证据，从而综合推断人们在线的潜在属性，包括性别、职业、位置和友谊，并在推特上实现了分类、学习表示和预测任务的提高性能。

    Oct, 2015