阅读文章-用于图像分类的多标签主动学习算法：概述和未来前景

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

应闵老师要求，在开学前阅读完，然后讲解出来。

一、多标签主动学习？

图像分类是对图像进行标注，以描述图像的语义信息

• 多标签图像分类的成功与否与构建训练集的方式密切相关。由于主动学习旨在通过迭代地选择信息量最大的示例来构建有效的训练集以从注释器中查询标签，因此将其引入多标签图像分类。
• 该综述将目前多标签图像分类算法分别从两个方面分为两大类:采样和注释（注释还不清楚在是什么，有什么用，在一个具体的数据集中值哪部分？）。
• 多标签主动学习的最重要组成部分是设计一种有效的采样策略，根据各种信息度量，从未标记的数据池中主动选择信息量最高的示例。 因此，本次调查强调了不同的信息量衡量标椎
• 该文阐述多标签主动学习重点关注四个核心方面：示例维度、标签维度、注释和应用程序扩展。

1.为什么选择主动学习进行多标签图像分类

为了充分利用未标记图像，提出了两种主要的机器学习方法，即半监督学习和主动学习。根本区别是在训练过程中是否需要专家对图像进行额外的标记。
主动学习需要从领域专家那里获取一些未标注图像的标签，从而保证标注的准确性。在资源有限的情况下，主动学习迭代地选择信息量最大的例子来获取它们的标签，并从更新后的训练集中训练分类器，然后用新选择的例子扩充训练集。主动学习不仅大大减少了标注工作量，而且为高性能分类器的训练构建了有效的训练集。

二、多标签主动学习问题定义，并解释其总体框架

根据不同的查询方式，主动学习算法分为三种：成员查询合成主动学习，基于流的选择性主动学习，基于池的主动学习。
本文着重对基于池的主动学习进行分析和讨论。

Given a multi-label active learning problem, there is an example set X = { x 1 , … , x n } X=\left\{x_{1}, \ldots, x_{n}\right\} X={ x1​,…,xn​} consisting of $n$ examples. Each example $x_i$ belongs to a $d$-dimensional feature space and is associated with the possible label set $Y_i$, where $Y_i$ is a subset of the total label set A = { l 1 , l 2 , … , l n m } A=\left\{l_{1}, l_{2}, \ldots, l_{n_{m}}\right\} A={ l1​,l2​,…,lnm​​} and $n_m$ is the number of labels in $A$.
此外，给出了多标签实例、示例-标签对和信息量的定义如下。

Definition 1. Multi-label example: A multi-label example $x_i$ can be denoted as { x i , Y i } \left\{x_{i}, Y_{i}\right\} { xi​,Yi​}, where $x_i=\left\{v_1^i,v_2^i,\dots ,v_d^i\right\}$, and $v_d^i$ denotes the $d$ th feature value of $x_i.Y_i=\left\{y_{i,l_1},y_{i,l_2},\dots ,y_{i,l_{n_m}}\right\}$ denotes the label set of $x_{}$