双层对比学习框架下的不完全多视角多标签分类
提出了一种基于多视图矩阵补全的半监督多标签图像分类方法，该方法充分利用不同视图的特征，并通过加权方式融合多视图矩阵补全的输出，同时使用交叉验证策略来学习视图组合权重和深度学习模型，经实验证明该方法相较于其他方法更加鲁棒有效。
Apr, 2019
本论文致力于通过建立一种简洁而有效的模型来攻克学习来自多视角多标签数据的三大挑战：缺失标签、不完整视角和非对齐视角。我们利用多视角的一致性以及多个标签之间的全局和局部结构来缓解可用标签的不足。我们的实验结果表明，在五个真实数据集上，即使在没有视角对齐的情况下，我们的方法在性能上也显着优于最先进的视角对齐方法。
May, 2020
本文提出了一种基于transformer的多视图多标签学习框架，以解决多视图数据和多标签注释于模式识别中的应用。该框架通过设计两个基于transformer的模块对特征进行聚合和分类，并提出一种自适应视图融合模块解决视图表达的不平衡性，同时将标签约束到样本级表示学习中。五个数据集上的实验证实了该方法的有效性。
Mar, 2023
本论文提出了一种名为DICNet的深度实例级对比网络，能够有效地应对数据收集和手动注释的不确定因素所导致的多视图多标签数据缺失的问题。通过利用深度神经网络，DICNet能够更好地提取多视图样本的高级语义表征，并在此基础上采取一系列手段来提高平稳性、加强语义特征分辨率。大量实验结果表明，本方法能够比其他最先进的方法更好地捕捉一致且有区别的多视图多标签数据的表示特征。
Mar, 2023
通过引入样本对间对比学习和原型-样本对比学习，提出了一种新颖的语义感知双对比学习框架，通过联合训练三个模块，准确捕捉与图像内容相关的判别性标签级特征，并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。
Jul, 2023
提出了一种名为ICMVC的新型不完整对比多视图聚类方法，主要解决不完整多视图数据聚类中的缺失值问题，并通过多视图一致性关系转移、图卷积网络、实例级注意力融合、高置信度引导和对比学习实现了完整多视图表示和聚类分配的联合优化。实验证明了该方法的有效性和优越性。
Dec, 2023
提出了一种基于深度神经网络的掩码两通道解耦框架，用于解决复杂而高度逼真的不完全多视角弱多标签学习任务，核心创新在于将深度多视学习方法中的单通道视图级表示解耦为共享表示和视图专有表示，并设计了交叉通道对比损失以增强两个通道的语义属性。此外，利用监督信息设计了标签引导的图正则化损失，帮助提取的嵌入特征保持样本间的几何结构，并开发了随机片段掩码策略来改善编码器的学习能力。值得强调的是，我们的模型完全适应任意视图和标签缺失，并在理想完整数据上表现良好，在充分充足的实验证明了我们模型的有效性和先进性。
Apr, 2024
该研究解决了多视图多标签学习中由于数据收集和标注不可靠导致的不完整训练数据问题。提出的任务增强跨视图插补网络（TACVI-Net）通过两阶段网络提取高度任务相关特征，以恢复缺失视图。在五个数据集上的广泛实验结果表明，该方法优于其他最先进的方法，具有重要的应用潜力。
Sep, 2024
本研究解决了多标签分类中正样本确定的挑战，提出了五种样本之间的关系以增强对比学习的效果。通过引入相似性-不相似性损失函数，该方法根据不同关系动态调整损失权重，从而显著提升了模型在多标签文本分类上的性能与鲁棒性。
Oct, 2024