论文：《ML-MG Multi-label Learning with Missing Labels Using a Mixed Graph》代码实现

最新推荐文章于 2023-10-05 16:49:41 发布
最新推荐文章于 2023-10-05 16:49:41 发布
阅读量444 收藏
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guiiu/article/details/95319416
版权

实验结果：
    因为训练集中缺失标签是随机的，我只对测试集进行了结果评判。在不加语义约束的情况下，AP率最高为0.16以上，加语义约束的情况下，AP率最高为0.3以上

遇到的问题：
（1）AP率比较低，在不同缺失比例下，不加语义约束时，论文中的AP率为0.3到0.4左右，而我的代码在不加语义约束的情况下仅为0.16左右
（2）论文中的AP率最高也仅为0.5左右，而当我把所有标签都视为负标签的时候，AP率就能达到0.5 ( 即相当于随机猜测 )，所以我对本论文工作的意义有些疑惑

项目地址：
    https://github.com/CoderZWei/Multi-label
 

【深度学习】多标签学习
q742971636的博客
06-23 720
参考： 简单且鲁棒的多标签损失函数设计 Simple and Robust Loss Design for Multi-Label Learning with Missing Labels Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels
解读（DivideMix）DIVIDEMIX: LEARNING WITH NOISY LABELS AS SEMI-SUPERVISED LEARNING
so
08-01 4710
这是Salesforce在今年年初出的一篇关于半监督学习的文章被ICLR 2020收录，目前还保持在SOTA状态。 文章主要做了两点工作： • 提出了一个co-divide方法。 • 利用label co-refinement 和co-guessing 改善之前的谷歌提出的MixMatch方法 1.co-divide方法 大概思路：同时训练两个网络，让每个网络在样本损失分布上去拟合GMM模型，并利用GMM模型，将训练数据分为标签数据和未标签数据,co-divide 使前面分的标签与未标签数据分别在
Multi-label learning with missing labels using mixed dependency graphs
零食的csdn博客
02-27 1018
任务 multi-label learning with missing labels(MLML) 用训练集中实体的多类别标签对测试试题进行标注，但训练集中有些标签是丢失的 关键点 通过标签之间依赖关系构成的依赖图，将已知信息传递/预测丢失标签信息。 依赖图中的directed边是语义标签信息，undirected边是实例级别的相似程度。 Base graph是包括directed和undi...
论文阅读笔记——Missing multi-label learning with non-equilibrium based on classification margin
qq_35368303的博客
03-08 416
目录 基于标签密度的分类裕度 1.标签密度和分类裕度 2.基于标签密度的分类裕度 非平衡缺失多标签学习 1.非平衡标签完成矩阵的建模 2.基于分类裕度的非均衡缺失多标签学习 目前的方法大多集中于将采样技术与代价敏感学习相结合，并引入标签相关性来提高分类器的性能，但一般没有考虑标签代价导致的标签丢失。事实上，标注未知实例经常受到判别函数阈值的影响，尤其是对于阈值附近的标注类型。基于我们以前的研究，我们认为数据分布密度和标签密度等信息可以整合到标签相关性中，并且可以扩展分类裕度以有效解决阈值附近标
Improving multi-label classification with missing labels by learning label-specific features
qq_42722278的博客
09-06 943
论文相关内容 本文中解决多标记分类问题的方法： 现有的多标签学习方法主要利用由所有标签的特征组成的相同数据表示来判别所有的标签，并假设每个训练样本都观察到所有的类标签。然而，在多标签学习中，每个类的标签可能由其自身的一些特定特性决定，对于一些实际应用，只能得到每个例子的部分标签集。本文提出了一种学习标签特征的新方法——LSML，用于缺失标签的多标签分类。首先，在不完全标签矩阵的基础上，通过学习高阶...
Multi Label Classification with Missing Labels(MLML)的几种loss设计
taoqick的专栏
10-05 734
多标签学习这个方向问题比较多，可以参考和这两篇偏综述性质的解释。
噪声标签1：Co-learning: Learning from Noisy Labels with Self-supervision
motoight的博客
09-01 1892
前言 Co-learning: Learning from Noisy Labels with Self-supervision 发表信息：ACM MM 2021 Paper：https://arxiv.org/abs/2108.04063 Code：无 一、核心思想 核心思想：在co-teaching的基础上，通过结合自监督任务和原有有监督任务协同训练。 损失：损失分成三个部分，分别是有监督交叉熵损失，自监督的infoNCE损失和多任务的结构一致性损失。 实现细节： 三个增广：weak Aug 用于有
co-learning:learning from noisy labels with self-supervision 解读
weixin_61445075的博客
03-26 2285
co-learning:learning from noisy labels with self-supervision摘要novelties传统方法的limitationsrelated work方法实验 摘要 受到co-training的启发，作者将supervised learning和self-supervised learning 结合起来。
《Query2Label: A Simple Transformer Way to Multi-Label Classification》
weixin_43994864的博客
03-04 1863
论文链接：https://arxiv.53yu.com/pdf/2107.10834.pdf?ref=https://githubhelp.com 代码链接：https://github.com/SlongLiu/query2labels 1. 动机 多标签分类需要特别关注两个问题：1)如何处理标签不平衡问题，2)如何从感兴趣区域提取特征。为了解决第一个问题，很多研究者设计了各种损失函数；而相对于第一个问题相比，第二个问题的解决方案相对不成熟，需要特殊设计的网络架构或额外依赖于标签相关性。 2. 方法 .
论文学习记录随笔 多标签之LSML
ALBlack的博客
06-27 4064
原文: Huang, J., Qin, F., Zheng, X., Cheng, Z.-K., Yuan, Z.-X., Zhang, W.-G., & Huang, Q.-M. (2019). Improving multi-label classification with missing labels by learning label-specific features. Information Sciences, 492, 124–146. 本文主要是对这个论文进行初步阅读的感受和观点....
多标签学习发展趋势
wuyanxue的专栏
10-25 1174
多标签学习研究综述
【multi-label】Learning a Deep ConvNet for Multi-label Classification with Partial Labels
猫猫与橙子的博客
04-16 5441
来源：CVPR2019 下载链接：https://arxiv.org/abs/1902.09720 本文目的：为了减少图片中多标签标注的成本，提出了一种训练模型的方式：训练模型的样本使用标签没有标注完整的图片； 作者的贡献： 1）比较了多标签数据集的标注方法，作者的方法证明了使用部分标注的所有图片效果好于标注了所有标签的小数据集； 2）提出了一种scalable方法用于ConvNet去学...
分类问题-----多标签（multilabel）、多类别（multiclass）
热门推荐
qq_27009517的博客
05-10 6万+
转自：大致上，解决multilabel的方法有两种1）转化问题。把问题转化为一个或多个单目标分类问题，或是回归问题。2）算法适应。修改学习算法使得能直接处理multilabel的数据。问题转化方法 dubbed PTx法。包括PT1 对有多标签的数据随机选取一个标签 PT2 直接把标签数大于1的都丢掉PT3 对标签集合进行排列组合，即组合好的成为一个新的单标签PT4 把一个含有L个标签的训练转化为...
Multi-Label Learning With Label Specific Features Using Correlation Information
qq_42722278的博客
09-06 738
论文相关内容 本文中解决多标记分类问题的方法： 为了解决每个实例与多个标签关联的问题，近年来开发了许多多标签学习算法。提出了选择标签特征的方法，利用识别特征进行多标签分类。虽然在学习标签特定的特性时考虑了标签相关性，但是很少考虑实例之间的关键相关性。本文在考虑标签空间相关信息和特征空间相关信息的基础上，提出了一种利用相关信息(LSF-CI)学习标签特征的多标签学习方法。在LSF-CI中，特征空间中...
多标签学习的新趋势
zandaoguang的博客
12-06 717
机器之心转载作者：皓波这是2020 年多标签学习最新的 Survey。这里给大家带来一篇武大刘威威老师、南理工沈肖波老师和 UTS Ivor W. Tsang 老师合作的 2020 年多...
多标签分类(四):Multi-Label Classification with Label Graph Superimposing
weixin_43436958的博客
09-12 6369
基于标签图叠加的多标签分类 摘要   图像或视频总是包含多个对象或动作。由于深度学习技术的快速发展，多标签识别已经实现了良好的性能.近年来，图卷积网络(GCN)被用来提高多标签识别的性能,然而，标签相关建模的最佳方式是什么，以及如何通过标签系统感知来改进特征学习，目前还不清楚.本文提出了一种标签图叠加框架，从以下两个方面对传统的多标签识别GCN+CNN框架进行改进.首先将统计共现信息构建的标签图叠加到标签知识先验构建的图中，建立标签相关性模型，然后对最终叠加的图进行多层卷积，实现标签的嵌入抽象 ...
多标签学习（multi-label learning）扫盲，混淆矩阵
Hello Word!
07-21 4021
1，MLL 没有单独的直观的二维混淆矩阵，sklearn的实现是多少label就有多少混淆矩阵，每个label一个2x2的混淆矩阵。 （每个label的值是0/1） from sklearn.metrics import multilabel_confusion_matrix import numpy as np classes = ['green', 'black', 'red', 'blue'] targetSrc = [[0,1,1,1], [0,0,1,0], [1,0,0,1], [1,1,1,0
旷视CVPR2019图卷积多标签图像识别Multi-Label Image Recognition with Graph Convolutional Networks论文详解
祥瑞的技术博客
04-22 1万+
背景：GCN刚出来，很多很容易想到的idea会被运用起来，很容易产生一些paper。我们解析此篇论文，了解其中原理，一来看看如何将图卷积应用于目前技术上，二来看到底如何快速的把准确率刷到state of the art以便发文章。 代码地址：https://github.com/chenzhaomin123/ML_GCN 论文地址 https://arxiv.org/abs/1904.035...
数据库基础测验20241113.doc
最新发布
11-13
数据库基础测验20241113.doc
Learning a Deep ConvNet for Multi-label Classification with Partial Labels代码浮现
06-01
好的，以下是使用PyTorch实现 "Learning a Deep ConvNet for Multi-label Classification with Partial Labels" 论文的示例代码。 ```python import torch import torch.nn as nn import torch.optim as optim from...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值