从策展媒体学习弱监督的集体特征

AAAIFeb, 2018

从策展媒体学习弱监督的集体特征

Weakly supervised collective feature learning from curated media

Yusuke Mukuta, Akisato Kimura, David B Adrian, Zoubin Ghahramani

TL;DR提出一种基于人类编辑过程的新典范，使得特征学习可以通过人类筛选作为弱标签的文本标签进行学习。通过将人类筛选的内容标记为弱标签，提出一种新的用于学习鉴别特征的框架，其中我们将鉴别特征定义为用于表示用户在创建组时想要表达的语义概念空间的表示。

Abstract

The current state-of-the-art in feature learning relies on the supervised learning of large-scale datasets consisting of target content items and their respective category labels. However, constructing such large

feature learning supervised learning large-scale datasets human curation discriminative features

发现论文，激发创造

社交媒体中的合作特征学习

本研究提出了一种新的基于社交媒体用户行为数据驱动的图像特征学习范式，该范式不依赖于类别标签，而是利用潜在空间中发现的图像关系指导图像特征学习，应用于 Behance.net 的数据集验证表明，该方法显著优于目前最先进的图像特征，能够更好地学习图像相似度。

Feb, 2015

利用薄弱的社交监督检测假新闻

本文探讨如何利用社交媒体生成弱社交监督来缓解标签数据的匮乏问题，并以社交媒体上的假新闻检测为例，展示了弱社交监督在面对标记数据问题时的有效性，为其他新兴任务学习提供了新思路。

Oct, 2019

CurriculumNet: 大规模网络图像弱监督学习

该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

Aug, 2018

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

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

利用标题中的信息进行弱监督语义分割

通过多模态网络，该工作借助互联网上的图像标注来进行弱监督学习，实现语境上下文对图像中出现的类别的提取与分割，并在 COCO 数据集上取得了 SOTA 的结果。

May, 2019

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

通过将图像嵌入文本主题空间进行自监督的视觉特征学习

本文提出了一种利用自由可得的多模态内容进行无人监督计算机视觉算法训练的方法，通过挖掘大规模的多模态文档语料库中的语义结构进行话题建模，训练卷积神经网络来预测图像最可能出现为插图的语义上下文，有效地学习了区分性视觉特征，其实验结果表明具有比近期的自监督或自然监督方法更好的图像分类、物体检测和多模态检索的性能。

May, 2017

社交网络元数据在网络上对图像分类的标签化

研究了四个流行的基准数据集，扩展了它们的社交网络元数据，如每张图片所属的组，与该图片相关的评论线程，上传者，其位置和朋友的网络，探讨了社交网络元数据在图像分类中的应用，通过构建一个二元标签网络模型，使用结构化学习技术来学习模型参数，发现社交网络元数据在各种分类任务中很有用，并在许多情况下胜过基于图像内容的方法。

Jul, 2012

基于网络数据的自监督学习在多模态检索中的应用

通过利用 Web 和 Social Media 数据，本文提出一种利用多模态图像和文本嵌入的自监督学习方法，在不需要人工注释的情况下学习强大的特征，并将文本领域学到的语义知识转移至视觉模型用于语义图像检索任务。研究分析了五种不同的文本嵌入方法，表明利用 Web 和 Social Media 数据学习的嵌入具有与监督方法相当的性能，且在训练目标数据时优于最先进方法。最后，介绍了 InstaCities1M 数据集，并演示了如何利用该数据集进行语义多模态图像检索。

Jan, 2019