此研究提出了增强图卷积网络(AGCN)模型来构建标签关系和保持关系跨多个图像识别任务,有效抑制遗忘效应,实验证明该方法在 LML 图像识别上效果可靠。
Mar, 2022
研究 Lifelong Multi-Label 分类,提出了一种面向序列多标签分类数据流的在线类增量分类器,使用增强图卷积网络和内置增强相关矩阵对序列部分标签任务进行训练,结果表明该方法对于 LML 分类和减少遗忘的有效性。
Jul, 2022
利用预训练语言模型(PLMs)中的语义知识替换持续学习(CL)中的分类器,生成对每个类别的语义目标作为监督信号,以减少遗忘并促进知识传递。
Mar, 2024
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
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
该研究提出了一种名为 Multi-Level Label Correction (MLLC) 的算法,利用图神经网络捕捉语义级别图和类别级别图中的结构关系来修正错误的伪标签,从而显著提高监督基线,并在 Cityscapes 和 PASCAL VOC 2012 数据集上超越了现有的方法。
Apr, 2024
连续图学习研究了从无限的图数据流中学习的问题,将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型,并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明,该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。
Aug, 2023
本文提出了一种 Confidence Self-Calibration (CSC) 方法,通过引入类增量图卷积网络进行标签关系校准,并通过最大熵正则化实现每个多标签增量的置信度自校准,从而在 MS-COCO 和 PASCAL VOC 数据集上取得了新的最佳结果,并通过我们的方法确认标签置信度的校准。
本研究提出了一种高效的方法,用于处理 Domain Incremental Learning 场景下的 multi-label classification 问题,并能够在 Class Incremental Learning 场景下应用,实现了对 packaging industry 领域中的 Alarm Forecasting 问题的预测和较好的性能。
Aug, 2022
通过多级分层标签扩展的在线学习约束,我们提出了一种新的多级分级类增量任务配置,该配置允许网络首先学习粗粒化类别,并在各个层次深度中不断扩展到更精细粒度的类别。通过利用层次感知的伪标签技术,结合简单而有效的记忆管理和采样策略,我们的方法能够在所有层次的分层结构中显著提高分类准确性,无论层次深度和类别不平衡比例如何,并且在传统的不相交、模糊和 i-Blurry 的连续学习设置上也优于现有的最先进方法。