关键词multi-instance multi-label learning
搜索结果 - 7
- 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。
- 基于图形的标签增强多示例多标签学习
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 - 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 - CVPR弱监督下的人员再识别
本文提出使用弱监督学习解决行人 Re-identification 问题的挑战,将其转化为多示例多标记学习问题并提出了 CV-MIML 方法及基于深度神经网络的 Deep CV-MIML 模型,经过实验表明该方法在四个弱标记数据集上表现优异 - CVPR弱监督密集型视频字幕生成
本文提出了一种基于弱监督信息的密集视频描述方法,通过词汇全卷积神经网络、亚模量最大化算法、序列到序列学习语言模型等技术,既可以生成信息丰富、多样化的密集字幕,也能大幅度领先于现有的单视频字幕生成方法。
- CVPRMIML-FCN+: 基于全卷积网络与特权信息的多实例多标签学习
本研究提出基于特权信息的多实例多标签卷积网络 (MIML-FCN+),利用包级别特权信息以及卷积层的灵活性,提高多目标识别应用的效果。实验表明,该网络优于现有的最先进方法。
- 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。