Apr, 2023

基于图形的标签增强多示例多标签学习

PDF
TL;DR本文提出了一种基于图标签增强的新的多实例多标签分类学习框架（GLEMIML）以提高分类性能和利用标签的重要性。GLEMIML 首先通过建立图识别实例之间的相关性，然后通过非线性映射将从特征空间挖掘到的隐含信息迁移到标签空间，从而恢复标签的重要性，并通过匹配和交互机制训练增强的数据，GLEMIML (AvgRank:1.44) 在多个基准数据集上表现出比 SOTA 方法 (AvgRank:2.92) 更好的结果。
multi-instance multi-label learninggraph label enhancementclassification performancelabel significancecorrelations
发现论文，激发创造
  • 多实例多标签学习

    本文提出了 MIML（多实例多标签学习）框架，可以更方便、更自然地表示具有多重语义含义的复杂对象，并基于简单的退化策略提出了 MimlBoost 和 MimlSvm 算法。同时，本文还提出了用于解决 MIML 问题的 D-MimlSvm、InsDif 和 SubCod 算法，并在实验中证明了它们的优异表现。

    Aug, 2008

  • 高效多示例多标签学习

    本文提出了一种名为 MIMLfast 的方法来解决大规模数据集上的多实例多标记学习问题，该方法通过构建在所有标签之间共享的低维子空间并训练标签特定的线性模型来优化近似排名损失，并探索复杂标签的子概念以实现良好性能，该方法时间成本大大降低。

    Oct, 2013

  • 具有多样的互相关联结构的单阶段广义多实例多标签学习及其在医学图像分类中的应用

    该研究提出了一种名为 BMIML 的新单阶段框架，它包含三个创新模块：基于 BLS 的自动加权标签增强学习、可缩放多实例概率回归（SMIPR）和交互式决策优化（IDO），可以在单个阶段中实现整个图像、实例和标签之间的多样互相关系学习，以提高分类准确性并快速训练，同时在准确性方面高度竞争，并且速度比大多数 MIML 方法快得多，甚至对于大型医学图像数据集（>90K 图像）也是如此。

    Sep, 2022

  • 基于图匹配的多标签图像分类（GM-MLIC）

    本文提出一种基于图匹配的深度学习框架 GM-MLIC，将多标记图像分类问题作为实例 - 标签匹配选择问题来进行建模，其中图匹配方案被引入以挖掘实例和标签关系，并在构建的作业图上聚合和更新所有节点和边缘状态，最终得出每个实例 - 标签对的预测分数并用加权交叉熵损失优化。大量实验表明我们的方法的优越性。

    Apr, 2021

  • 利用图神经网络进行多实例学习

    本文提出一种基于图神经网络的多实例学习算法，将每个数据包视为图，并使用图神经网络学习包嵌入，利用实例之间的结构信息来预测标签。实验证明，该算法在多个常用数据集上达到了最先进的效果，且不失模型的可解释性。

    Jun, 2019

  • MIML 库：用于多实例多标签学习的模块化灵活库

    MIML 库是一个用于开发、测试和比较多实例多标签（MIML）学习分类算法的 Java 软件工具，它包括 43 种算法，具有特定的数据管理和划分格式、评估性能的标准度量指标以及报告生成功能。

    Feb, 2024

  • 使用混合依赖图进行缺失标签的多标签学习

    本文研究了多标签学习中的标签缺失问题，针对这个问题提出了基于依赖图的两个凸传导公式来处理图像注释和基于标签的图像检索两种应用场景，并在多个基准数据集上进行了实验证明了本文所提方法在性能和缺失标签的鲁棒性方面显著优于现有方法。

    Mar, 2018

  • 多标签图像识别的语义感知图匹配机制

    本文提出了一种基于 Semantic-aware Graph Matching 的多标签图像识别框架（ML-SGM），通过建模内容感知（instance）和语义感知（label）之间的关系，显式建立分类之间的相关性和实例 - 标签对应关系，以促进多标签图像理解，并减少对每个类别的大量训练样本的依赖。备考外流考试，了解更多。

    Apr, 2023

  • 基于图形消歧的深度部分多标签学习

    本文提出利用图形解析和深度模型相结合的方法 ——PLAIN 应对 PML 问题，提高其精确性和鲁棒性。该方法在多个合成数据集和三个实际 PML 数据集上都表现出显著的优越性。

    May, 2023

  • GBE-MLZSL: 多标签零样本学习的群体双增强框架

    在多标签场景中，本研究提出了一种新颖有效的组群双增强框架（GBE-MLZSL），以充分利用局部和全局特征，实现更准确和稳健的视觉语义投影，实验结果表明，GBE-MLZSL 可大幅胜过其他最先进的方法。

    Sep, 2023