论文reviwe——Deep Label Distribution Learning with Label Ambiguity

摘要：CNN在多种视觉识别任务上取得了很好的识别性能，大量的带标记的训练集是CNN成功的重要因素。然而，在一些领域（如年龄估计，头部姿态估计，多标签分类和语义分割等）很难获得有准确标记的足够的训练图像；幸运的是，标签之间有模糊信息（ambiguous information)。
提出的DLDL(Deep Label Distribution Learning) 方法有效的在特征学习和分类中利用了标签模糊(label ambiguity)，它有助于防止训练集较小时的网络过拟合。

LDL过程分两步：

1.从图像中提取特征（learning the visual representations/feature learning）
2.利用特征和对应的标记分布LD,学习特征和LD之间的映射关系(classifier learning)

现有的传统LDL方法的问题：

these methods are suboptimal because they only utilize the correlation of neighboring labels in classifier learning, but not in learning the visual representations

Deep ConvNets

• 优：have natural advantages in feature learning
• 缺：requires a lot of images
• 缺：cann