CVPRJun, 2021

从单一正样本实现多标签学习

PDF
TL;DR研究一种新的多标签图像分类问题，针对训练数据需要手动标注出所有适用标签的挑战，探索使用缺失标签进行学习的特殊情况，并尝试通过线性分类器和端到端微调深度网络提出新的损失函数来解决这个问题。结果表明，在一些情况下，使用更少的标签进行训练可以接近全部标签训练的性能水平。
multi-label classificationtraining data annotationmissing label learninglinear classifiersdeep networks
发现论文，激发创造
  • 使用部分标签学习深度卷积神经网络进行多标签分类

    该研究提出了一种使用部分标签进行多标签分类的方法，其中新的分类损失利用了每个示例已知标签的比例，并通过课程学习的策略预测遗漏标签。通过实验发现，该方法在 MS COCO、NUS-WIDE 和 Open Images 等三个大规模多标签数据集上取得了良好表现。

    Feb, 2019

  • 单正样本多标签学习中标签偏差的理解

    该研究介绍了单正多标签学习中标签偏差的研究方法，并提供了新的经验证据，以便使用仅一个正标签的图像进行有效的多标签分类。

    May, 2023

  • 单正多标记学习的伪标签

    该研究介绍了一种称为伪多标签的方法，通过教师模型在单个正标签上训练，然后使用其预测作为标记数据来训练学生模型，以解决多标签图像分类中数据注释成本高的问题。研究表明，在实际的全标签数据上训练得到的模型性能可以近似于该方法训练得到的模型。

    Jun, 2023

  • 面向不平衡的大规模多标签分类与部分标注的研究

    研究了如何使用部分标签对神经网络进行训练，解决多标签分类中的标签不平衡问题，并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验，结果显示该方法优于现有的一些最先进方法，甚至在部分标注情况下超越了使用完整标签训练的方法。

    Jul, 2023

  • 多标签分类只需要正标签

    本文提出了一种名为正例与未标注多标签分类（PU-MLC）的新方法，通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响，并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。大量的实验证明了 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。

    Jun, 2023

  • 具有不完整标签分配的大规模多标签学习

    本文研究了多标签学习的不完整标签分配问题，提出了一种名为 MPU 的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。

    Jul, 2014

  • 使用广义鲁棒损失提升单一正标签多标签分类

    本文研究了单正多标签学习（Single Positive Multi-label Learning - SPML）的问题，提出了基于期望风险最小化的广义损失框架，用于生成软伪标签，并设计了一种能够处理正负样本不平衡同时灵活协调假阳性和假阴性的新型鲁棒损失函数。实验证明，该方法能够显著提高 SPML 性能，在四个基准测试上胜过绝大多数最先进的方法。

    May, 2024

  • 不同标注数量下的学习：从零到多标签

    该研究论文通过在一小部分训练样例中为每个样例分配多个标签的方法，提出可通过利用不同标注数量的训练样例，设计高效的学习算法，提高自然语言处理的任务表现。

    Sep, 2021

  • 不浪费任何一个注释：通过软标签改进单标签分类器

    本文主要研究了数据注释和训练方法在客观单标签分类任务中的局限性，并提出了使用软标签的方法来改善性能。

    Nov, 2023

  • 多标签学习的深度学习：综合调查

    综述了深度学习在多标签学习中的最新进展，包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构，并提出了对现有方法的比较分析，以提供有洞察力的观察和促进该领域未来的研究方向。

    Jan, 2024