CVPRApr, 2019

基于图卷积网络的多标签图像识别

PDF
TL;DR提出了一种基于图卷积网络的多标签分类模型，通过建立对象标签之间的图，学习一个对相互依赖的物体分类器的表示，同时使用重新加权的方法来创建有效的标签相关矩阵以指导 GCN 中节点之间的信息传播，在两个多标签图像识别数据集上实验证明了方法的有效性，并且可视化分析表明该模型学习到的分类器保持有意义的语义拓扑结构。
multi-label image recognitiongraph convolutional networkobject classifierslabel dependenciesre-weighted scheme
发现论文，激发创造
  • 标签图叠加的多标签分类

    本研究提出一种基于标签图叠加框架的多标签识别解决方案，以图卷积网络（GCN）为基础，通过超 impose 技术建立标签相互作用图，并将其与 GCN 及 CNN 的信息交流，以提高特征学习和数据表示。实验表明，该方法大大提高了多标签识别的性能且达到了新的最佳表现。

    Nov, 2019

  • GKGNet: 组群 K 最近邻基于图卷积网络的多标签图像识别

    我们提出了第一个完全基于图卷积的模型，Group K-nearest neighbor based Graph convolutional Network (GKGNet)，该模型能够在图结构中灵活统一地建模语义标签嵌入和图像补丁之间的连接，通过动态图构建和信息传递实现了在多标签数据集上的最先进性能，同时显著降低计算成本。

    Aug, 2023

  • 基于分层多图网络的图像分类

    本研究探讨了基于 Graph Convolutional Networks 的最佳实践，旨在利用 GCNs 自然的多关系数据建模能力和处理不规则输入图片的能力，在 MNIST、CIFAR-10 和 PASCAL 数据集上甚至优于 CNNs 的图像分类表现。

    Jul, 2019

  • 基于注意力机制的动态图卷积神经网络用于多标签图像识别

    本文提出了一种基于动态图卷积神经网络 (D-GCN) 和语义注意力模块 (SAM) 的注意力驱动动态图卷积网络 (ADD-GCN) 来消除训练数据中标签共现对模型泛化性能的影响，实现图像特征的提取和标签识别任务，并且在公共多标签基准测试中的结果表明该方法的有效性。

    Dec, 2020

  • 利用类别共现概率提升多标签识别

    通过整合多标签识别、视觉语言模型、条件概率和图卷积网络，我们提出了一种方法来改进独立分类器的性能，并在多个多标签识别数据集上取得胜于现有方法的结果。

    Apr, 2024

  • CNN-RNN：一种多标签图像分类的统一框架

    本文提出了一种基于卷积神经网络和循环神经网络的框架，用于多标签图像分类，通过学习图像标签嵌入特征，显式地利用了图像标签之间的关联性，拥有较好的分类性能。

    Apr, 2016

  • 多维图卷积网络

    本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。

    Aug, 2018

  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022

  • 探究图像关系以用于图像描述

    本文介绍了一种利用图卷积网络和长短期记忆（GCN-LSTM）结构，将语义和空间对象关系集成到图像编码器中，以生成图像标题的新方法，并在 COCO 图像字幕数据集上开展了广泛的实验，并取得了比现有方法更好的结果。

    Sep, 2018

  • 图卷积网络文本分类

    本文介绍了一种基于图卷积神经网络的文本分类算法 (Text GCN)，该算法利用单一的文本图构建并联合学习词和文本的表征，经实验表明，将该算法应用于多个基准数据集后，在无需外部词嵌入和预先知识的情况下，文本 GCN 仍可优于现有的文本分类方法。

    Sep, 2018