Dec, 2016

在 Flickr 中进行标签预测：来自暗房的视角

PDF
TL;DR本文讨论了如何开发一个大规模的自动照片标注系统，提出了一些重要的考虑事项，包括如何为用户选择最重要的标签、如何开发高性能的模型以进行标签预测，以及如何利用大量噪声数据进行训练。通过使用用户生成的数据，我们的结果表明，对于现实世界的数据集，仅使用这些噪声数据的训练效果与先预先训练干净的数据再进行微调的标准范例的表现相当。
automated photo taggingdeep convolutional neural networkshigh-performance modelslarge amounts of noisy datauser-generated data
发现论文，激发创造
  • 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

  • 使用深度特征预测社交媒体上共享的图片的隐私

    本文研究并提出了一种基于深度特征和图像标签的图像隐私预测方法，结果表明该方法明显优于基于 SIFT 和 GIST 等基准线的方法以及采用 “标签袋” 作为特征的方法。

    Oct, 2015

  • 使用深度神经网络进行图像隐私预测

    本文研究了利用卷积神经网络和用户标签来自动预测图像的隐私，并将不同卷积神经网络中提取的深度特征进行比较，结果表明使用 ResNet 提取的特征的学习模型在图像隐私预测方面优于其他模型。同时，该研究结果还表明深度视觉特征和图像标签的组合可以提高预测性能。

    Mar, 2019

  • 从大规模的弱监督数据中学习视觉特征

    本文探讨了在大型弱标记图像集上训练卷积网络以提升视觉特征表达的潜力，并证明了在 1 亿张 Flickr 图片与样本说明上训练出来的特征在多种视觉问题中表现良好，还能够妥善地捕捉单词之间的相似性，并学习不同语言之间的对应关系。

    Nov, 2015

  • 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

  • 从网络数据中学习视觉 N-Grams

    本文探讨利用网络数据进行图像识别系统的训练，采用了直观 n-grams 模型来预测图片内容相关短语，同时开发出适用于连接图像和标题、零样本传输等方面的模型。

    Dec, 2016

  • 群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

    本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

    Nov, 2016

  • 弱监督神经网络在图像标注与标签修正中的双重作用

    本文提出了一种弱监督的图像注释模型，利用深度神经网络进行特征学习和标注模型，在批次级别上引入视觉一致性、语义依赖和用户误差稀疏等约束来减轻标签噪音， 实现同时优化模型和优化用户提供标签的目的，并在两个基准数据集上取得了最佳性能。

    Nov, 2017

  • 噪声数据对精细识别的非合理有效性

    利用简单通用的识别方法和网络上的免费嘈杂数据，成功规模扩展到 10,000 多个类别，不需要手动收集标签，取得超过现有各领域最佳记录的 92.3%、85.4%、93.4% 和 80.8% 的 top-1 准确率

    Nov, 2015

  • 利用渐进训练和域转移深度网络进行稳健的图像情感分析

    本篇论文使用卷积神经网络进行视觉内容的情感分析，对于利用大规模训练数据解决如此具有挑战性的图像情感分析问题提出了渐进式微调网络的策略，通过将人工标注的 Twitter 图像进行领域转移，提高了推特图像的性能，综合实验结果表明，所提出的 CNN 算法在图像情感分析中具有比竞争算法更好的性能。

    Sep, 2015