Jan, 2015

基于众包配对标注的鲁棒性主观视觉属性预测

PDF
TL;DR本研究提出了一种新的主观视觉属性预测方法，采用统一的健壮排序学习方法，结合局部配对比较标签来检测异常值和学习排序，适用于极度稀疏的标注数据。实验结果表明，该方法在各类基准数据集上表现优异。
subjective visual propertycrowdsourcingoutlier detectionlearning to ranksparse annotations
发现论文，激发创造
  • 众包中深度鲁棒主观视觉属性预测

    本文提出了一种基于深度学习、概率建模和排除异常值技术的主观可视属性 (SVP) 模型。该模型不仅可以从众包数据中检测到标注异常值，并且能够学习带有极度稀疏注释的数据。特别的，其构造了一个基于标注比较的多图，提出了一个广义概率框架，包括了一个 SVP 预测模块和一个异常值建模模块，从而在各种基准数据集上取得了相当不错的效果。

    Mar, 2019

  • 基于在线学习的众包环境下基于偏好的主观评估的自动设计优化

    通过在线学习算法，我们提出了一种自动优化的方法来解决基于偏好的主观评估在众包环境中大规模测试时的配对组合选择和评估数量的分配问题。实验结果表明，我们的方法成功地通过减少配对组合数量并为每个配对分配最佳的评估数量来优化测试，同时不损害评估准确性和预算分配的浪费。

    Mar, 2024

  • 从噪声测量中恢复主观质量评分

    本研究提出了一种基于最大似然估计的新方法，可以从嘈杂的原始测量中恢复主观质量分数，并联合估计受损视频的主观质量，测试对象的偏差和一致性以及视频内容的歧义性，同时提供了每个估计的置信区间的封闭形式表达式。相对于先前方法，我们的方法能够充分利用主观信息，处理不良数据并提供有关测试对象和视频内容的有趣见解。

    Nov, 2016

  • 图像中视觉搜索的难度估计有多困难？

    本文提出了一种基于深度特征的回归模型，能够精确预测视觉搜索任务中图像难度，并在弱监督目标定位和半监督目标分类方面表现出不错的性能。

    May, 2017

  • 主观数据的主观众群分歧：通过群体级学习揭示有意义的众人观点

    通过使用语言特征和标签分布，我们介绍了一种无监督学习方法 CrowdOpinion，用于将类似项目汇集为更大的标签分布样本，其中涉及人工智能系统的公平性和人工注释者不一致问题的解决。

    Jul, 2023

  • 野外视觉属性预测学习

    本研究提出一种用于预测对象视觉属性的大规模数据集，通过多标签分类解决对象属性预测问题，并采用多种技术来解决大量属性、标签稀疏性、数据不平衡和对象遮挡等问题，其中包括使用低级和高级 CNN 特征、多跳关注、重新加权和重新抽样技术、负标签扩展和监督属性感知对比学习算法，并取得了超过现有技术水平的 3.7 mAP 和 5.7 F1 值的改进。

    Jun, 2021

  • 关系分类中的众包语义标签传播

    该研究使用 CrowdTruth 方法将人类注释信号扩展到相似的低维空间中的句子，从而显着提高了句级多类关系分类器的性能。

    Sep, 2018

  • 对比物体掩码提案的无监督语义分割

    本文旨在通过采用对比优化目标中的预定中级先验，引入了一个两步框架来学习像素嵌入，从而解决了计算机视觉中的无监督语义表示学习问题，并证明此方法优于现有方法。

    Feb, 2021

  • 来自众包三元组比较的多视角表示学习

    本研究提出了一种端到端归纳深度学习框架，解决了多视图表示学习问题，并在众包平台上收集了两个数据集以实验比较我们的方法与传统基线方法的性能。

    Feb, 2023

  • 语义扰动：通过合成图像进行视觉比较的密集监督

    通过合成图像来弥补样本稀缺性问题的研究，其结果显示出使用不完美的图像生成器来学习排名具有很大的潜力。

    Dec, 2016