Nov, 2016

深度标签分布学习中标签歧义的处理

PDF
TL;DR该论文提出一种名为 DLDL（Deep Label Distribution Learning）的方法，通过最小化深度 ConvNets 预测和 ground-truth 标签分布之间的 Kullback-Leibler 散度来学习标签分布，有效地利用标签模糊性，并在训练集较小的情况下防止网络过度拟合，显著提高了年龄估计和头部姿态估计的结果，同时还改进了多标签分类和语义分割任务的识别性能。
convolutional neural networksdeep label distribution learningkullback-leibler divergenceage estimationsemantic segmentation
发现论文，激发创造
  • 标签分布学习

    本文提出了一种名为标签分布学习的新型学习范式，旨在解决标签重要性分布的问题。文章提出了六种工作 LDL 算法，并选择了六种代表性和多样化的评估措施，比较了这些算法的性能。实验结果表明，算法设计对 LDL 问题的特征非常重要，实现了性能上明显的优越性。

    Aug, 2014

  • 对比度标签增强

    该论文提出了一种新的机器学习范例 —— 标签分布学习（LDL），并设计了一个名为 Contrastive Label Enhancement（ConLE）的方法，该方法利用对比学习策略将特征和逻辑标签融合到统一的投影空间中，生成高层次特征，然后通过一种有效的训练策略获得标签分布，该方法在 LDL 基准数据集上进行了广泛实验，表明其在效果和优越性方面具有很大的潜力。

    May, 2023

  • DEAL: 图像分类的深度证据主动学习

    本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

    Jul, 2020

  • 利用众包标签分布训练面部表情识别的深度网络

    本文演示如何使用深度卷积神经网络 (DCNN) 从嘈杂的标签中学习，并以面部表情识别为例。通过比较多数投票，多标签学习，概率标签绘制和交叉熵损失四种方法来利用多个标签，我们发现传统的多数投票方案表现不如完全利用标签分布的最后两种方法。此外，我们还向研究社区共享了一组多标签面部图像数据集。

    Aug, 2016

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 基于不确定性的噪声图像标签检测和重新标记

    本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法，该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。

    May, 2019

  • 基于深度残差学习的面部吸引力计算的标签分布

    本文提出将面部吸引力计算视为标签分布学习问题，并使用深度神经网络学习有效特征来解决面部表示问题，建立了一个端对端的深度学习框架。该方法通过 SCUT-FBP 数据集获得了最佳结果。

    Sep, 2016

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 通过标签分布深度学习进行面部姿态估计

    本论文通过在 AFLW 数据集和 300W-LP 数据集上实现的深度卷积神经网络架构，将面部姿态估计问题转化为标签分布学习问题来解决数据不足的问题，显著地优于其他流行方法。

    Apr, 2019

  • 从逻辑标签中学习标签分布

    本研究针对标签分布学习中标签增强方法的不足，提出了一种联合模型从逻辑标签中直接学习 LDL 模型，证实该方法对多个数据集能够直接构建可靠的 LDL 模型，同时比现有标签增强方法更准确地预测标签分布。

    Mar, 2023