CVPRApr, 2017

提高多标签图像分类的成对排名

PDF
TL;DR本研究提出两种技术来改进基于成对排名的多标签图像分类：（1）我们提出了一种新的损失函数，平滑且容易优化；（2）我们将标签决策模块纳入模型，估算每个视觉概念的最优置信阈值。我们在三个大规模数据集（VOC2007、NUS-WIDE 和 MS-COCO）上展示了我们方法的有效性，并取得了文献中报道的最佳结果。
learning to rankconvolutional neural networkspairwise rankingmulti-label image classificationloss function
发现论文，激发创造
  • 深度卷积排序多标签图像注释

    通过结合卷积结构和近似 top-k 排名目标，利用深度神经网络的特征，改进了多标签图像注释，并在 NUS-WIDE 数据集上实现了比传统视觉特征高大约 10% 的性能表现，提出了一种有效的方法。

    Dec, 2013

  • 使用 Hinge 对比距离损失和正交表示的单类别推荐系统

    本研究提出了一种利用类似集合训练模型的方法，通过添加基于 hinge 和正交约束的两个新项到目标函数中，避免了训练过程中出现的收缩、部分收缩和崩溃问题，并在公共和真实数据集上的实验表明，在只使用类似对的情况下，该方法优于采用大量非类似对的最先进的方法。

    Aug, 2022

  • 基于排名增强的列表优化在统计机器翻译中的应用

    该研究提出了一种面向结构预测问题的列表学习框架，通过直接对整个翻译列表进行建模，学习可以更好地适应给定列表样本的参数，并提出了更加敏感于排名错误的顶级增强列表损失函数。研究结果表明，该列表学习框架和顶级增强列表损失函数均可以显著提高翻译质量。

    Jul, 2017

  • 使用排名损失预测准确概率

    本文提出了一种使用排名损失函数和等变回归来优化概率预测的技术，具有良好的排名和回归性能，并且在概率分布上比逻辑回归等统计学习方法表现更好，证明了该技术在实际应用中的有效性。

    Jun, 2012

  • 基于配对比较的近似排名

    研究在机器学习中，基于两两比较对一组 n 个项目进行排名的问题，提出了一种基于置信区间的活跃排名算法，通过近似排序来减少比较次数。

    Jan, 2018

  • 使用软对比相似度提高多标签图像检索的深度哈希

    本文提出了一种新的深度哈希方法，通过将成对相似性重新定义为实例相似性，基于实例相似性，构造了加权交叉熵和最小均方误差损失，用于同时学习特征和哈希编码，实验表明，这种方法优于竞争方法，在多标签图像检索中实现了最先进的性能。

    Mar, 2018

  • 深度神经网络的置信度感知学习

    本文提出了一种基于 Correctness Ranking Loss 的深度神经网络训练方法，可以对类别概率进行显式的正序排名，提高置信度预测。该方法易于实现，不需要额外的计算代价，适用于现有体系结构，并且在分类基准数据集上表现良好。同时，还对置信度估计相关的任务，如超出分布检测和主动学习，具有相同的可靠性。

    Jul, 2020

  • 利用两两类相似性的自适应可验证训练

    利用聚类方法寻找类似度高的类别，并基于其特征对分类器设置鲁棒性，以此提升鲁棒性训练的性能，同时在 Fashion-MNIST 和 CIFAR10 中分别提高准确率 9.63% 和 30.89%。

    Dec, 2020

  • 使用梯度手术探究不同损失函数的影响

    利用 pair-wise loss 进行度量学习可以通过梯度分解来统一当前的损失函数，并明确构建配对梯度更新，以最大程度地提高对图像数据集的检索精度。

    Jan, 2022

  • 多类别、前 K、多标签分类的损失函数分析与优化

    本文主要研究大规模图像分类基准测试中常用的 top-k 误差评估方法，探索单标签多分类方法的优化算法及其在 top-k 误差上的表现，提出了多种 top-k 损失函数进行性能改进，并探索了从多分类到多标签学习的转变，同时提出了高效的算法实现。

    Dec, 2016