ECCVAug, 2016

通过结构化语义相关性改进缺失标签的多标签学习

PDF
TL;DR本文研究了利用结构化语义相关性来解决多标签学习中的缺失标签问题，通过构建语义图，将语义相关性加入多标签学习公式中，提出的方法在四个基准数据集上优于现有的多标签学习方法。
multi-label learningcomputer visionsemantic correlationssemantic graph laplacianbenchmark datasets
发现论文，激发创造
  • 基于协作的多标签学习

    该论文提出了一种新的多标签学习方法，通过在标签空间中的稀疏重构来学习标签相关性，并将其无缝地整合到模型训练中，以明确考虑标签的相关预测。实验结果表明，该方法的表现优于现有的最先进技术。

    Feb, 2019

  • 探索结构化语义先验在多标签识别中的应用：基于不完整标签数据

    本文提出一种通过 Semnatic Correspondence Prompt Network 建立结构化语义先验，以针对标签不完全的 MLR 问题的缺陷，结合自监督学习进一步加强该先验，最终在多个基准数据集上表现出卓越的性能。

    Mar, 2023

  • 多标签图像识别的语义感知图匹配机制

    本文提出了一种基于 Semantic-aware Graph Matching 的多标签图像识别框架（ML-SGM），通过建模内容感知（instance）和语义感知（label）之间的关系，显式建立分类之间的相关性和实例 - 标签对应关系，以促进多标签图像理解，并减少对每个类别的大量训练样本的依赖。备考外流考试，了解更多。

    Apr, 2023

  • 使用部分标签进行多标签识别的结构化语义转移

    提出了一种结构化的语义转移（SST）框架，用于训练多标签识别模型，其特点是仅知道某些标签而丢失了其他标签。该框架包括两个互补的转移模块，探索图像内部和跨图像的语义相关性，以生成未知标签的伪标签，并使用已知和生成的标签来训练多标签识别模型。实验表明，该框架在多个数据集上实现了优越的性能。

    Dec, 2021

  • 全局和局部标签相关性的多标签学习

    本文提出了一种新的多标签方法 GLOCAL，通过学习潜在标签表示和优化标签流形，同时处理全标签和缺失标签情况，从而利用全局和局部标签相关性，且实验证明了该方法的有效性。

    Apr, 2017

  • 多层标签修正通过提取相近模式用于半监督语义分割

    该研究提出了一种名为 Multi-Level Label Correction (MLLC) 的算法，利用图神经网络捕捉语义级别图和类别级别图中的结构关系来修正错误的伪标签，从而显著提高监督基线，并在 Cityscapes 和 PASCAL VOC 2012 数据集上超越了现有的方法。

    Apr, 2024

  • 自适应合作相关学习基于半监督多标签特征选择

    提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。

    Jun, 2024

  • 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

  • 利用稀疏标注学习语义对应

    本文针对语义对应中标签稀疏性的挑战，提出了一种基于稀疏关键点注释生成密集伪标签的教师 - 学生学习范式，并开发了两种噪声伪标签去噪策略，使用空间先验和损失驱动的动态标签选择策略。实验结果表明该方法在语义对应的三个基准测试中均取得了显著进展并建立了新的最新成果。

    Aug, 2022

  • 使用混合依赖图进行缺失标签的多标签学习

    本文研究了多标签学习中的标签缺失问题，针对这个问题提出了基于依赖图的两个凸传导公式来处理图像注释和基于标签的图像检索两种应用场景，并在多个基准数据集上进行了实验证明了本文所提方法在性能和缺失标签的鲁棒性方面显著优于现有方法。

    Mar, 2018