AAAINov, 2019

标签图叠加的多标签分类

PDF
TL;DR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。
multi-label recognitiongraph convolution networklabel correlation modelinglabel system awarenessrecognition performance
发现论文，激发创造
  • 基于图卷积网络的多标签图像识别

    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。

    Apr, 2019

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 可学习的图卷积网络和特征融合用于多视角学习

    本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

    Nov, 2022

  • 基于语义图嵌入的跨模态注意力模型用于多标记分类

    该研究提出了一种使用跨模态关注力和语义图嵌入的方法来进行多标签分类，该方法能够有效捕获标签之间的空间或时间依赖关系，并发现每个类的具有区分性特征的位置，实验结果表明该方法优于现有的最先进技术。

    Dec, 2019

  • 基于图卷积网络的弱监督图像语义分割

    本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。

    Mar, 2021