25、协同训练与主动学习框架：提升图像自动标注的精度与效率

协同训练与主动学习框架：提升图像自动标注的精度与效率

1. 引言

在多媒体信息检索领域，图像自动标注一直是一个热门话题。随着网络上动态图像和视频集合的迅速增长，开发（半）自动化技术以准确和完整地用语义概念注释图像显得尤为重要。本文将探讨如何通过协同训练（Co-training）和主动学习（Active Learning）框架，提升图像自动标注的精度和效率。协同训练是一种半监督学习方法，它利用少量标记数据和大量未标记数据来训练模型。而主动学习则确保框架能够扩展到更大的问题，通过选择最不确定的未标记数据并要求人类用户进行标记，从而提高模型的泛化能力。

2. 协同训练框架

2.1 自举过程中的区域分类器

给定每张图像的一组区域，我们首先讨论如何使用协同训练框架独立地推导出每个区域的概念。为了启动协同训练过程，需要开发两个（弱）视图独立分类器。为此，在特征提取阶段，我们采用不同的函数 ( F_q(R_{ij}) )，( q \in [1, 2] )，来选择不同的特征集来表示图像中每个单元 ( R_{ij} ) 的内容。这里，我们将特征集简单地分为两个不相交的集合：
- 集合 1：颜色直方图
- 集合 2：纹理和形状特征

我们将特征集表示为 ( F_1(R_{ij}) ) 和 ( F_2(R_{ij}) )。接下来，我们使用概率支持向量机（pSVM）方法来训练分类器 ( Ga(R_{ij}) )，将子单元 ( R_{ij} ) 的内容与概念集 ( LC ) 相关联。对于不同的特征集 ( F_1(R_{ij}) ) 和 ( F_2(R_{ij}) )，我们使用 SVM 开发了两个独立的分类器 ( HP_1 ) 和 ( HP_