文章链接:https://arxiv.org/abs/1903.06325
摘要:
作者提出了一种无监督的软多标签学习模型,用以解决缺少标记标签的问题。通过比较未标记对象和已知对象的辅助域,为标记对象学习软多标签的区别性嵌入。引入参考代理学习(reference agent learing),以联合嵌入的参考代理来表示参考人。这里很绕口:(
文章贡献:
提出软多标签参考学习,通过发掘数据中的潜在标签,以解决无监督学习缺少标记的问题。
1.概述
(a)Soft multilabel-guided hard negative mining:通过比较标签,辨别对象之间的正负性。
(b)Cross-view consistent soft multilabel learning:在跨镜头追踪下,保持同一行人的标签一致性。
(c)Reference agent learning:完成未标记对象和参考对象的对比工作。
整体结构↓:
2. Soft multilabel-guided hard negative mining
软多标签y的计算公式:
其中f(x)为未标记对象,a为reference agent,二者做内积计算出软多标签值。
关于正负对的假设:如果两个图像具有很高的相似性(f(x1)Tf(x2)),则称他们为相似对(similar pair),若两图像Soft multilabel的相似性很高,则两图像关系为正(positive pair),否则为负(negative pair)。
Soft multilabel的相似性比较是通过计算二者的L1距离得到:
基于以上假设positive set和hard negative set的划分如下:
设定T为设定阈值,以两张图像为相似对为前提,若Soft multilabel相似性大于T则说明属于正集,否则为负集。
学习的损失函数:
其中P和N是通过集合内相似对的L2距离计算得出。最小化LMDL完成训练。
总结构图:
3. Cross-view consistent soft multilabel learning
损失函数:
其中Pv(y)为数据集的soft multilabel分布,Pv(y)为第v个相机的soft multilabel分布。D为二者之间的距离,作者在这里使用Wasserstein distance计算。
4.Reference agent learning
为了使reference具有区分性,并可以表示对应的人,对于辅助集的损失函数:
对于未标记集的损失函数:
这部分的总损失函数为:
5. 模型训练与测试
采用随机梯度下降法训练,总的损失函数:
6. 实验结果
作者提出的MAR模型与其他无监督学习方法相比,性能是最突出的。
完结撒花!
欢迎大家评论吐槽!