RankCNN: When learning to rank encounters the pseudo preference feedback阅读笔记

论文概要

• 目的

  在本文中，提出了一种新的无监督图像排名算法，通过卷积神经网络（RankCNN）进行排名

• 主要模型和算法

  将深度学习与伪偏好反馈相结合

    首先通过改进的基于图的方法从初始列表检测最佳伪偏好对集合。然后将排名在CNN架构中减少到成对分类(Pairwise classification)，使用随机双坐标上升（ASDCA）加速训练。

• 评价指标

  P@n, MAP

• 实验数据

  LETOR4.0, Paris, FranchLandMark（第一个为文本数据集，后两个为图像数据集）

Learning to Rank

  L2R已经在文本检索中获得了极大的关注，但在视觉检索中没有。可能是由于文本和图像的区别，比如：文档特征的每个维度都有真实的物理意义，而图像特征没有。而如果用Bag of the Word表示图像，将会达到百万维度。
  对于自然图像分类问题，已经有了CNN方法表现良好，目前CNN对MNIST数字识别任务的最佳错误率小于0.3％，这与人类的表现相当。因此如果提供正确的偏好对，则CNN可以应用于图像重新排名。在重新排名过程中，需要检测最大似然偏好对。伪偏好反馈（PPF）被证明是成功地自动发现一组最佳伪偏好对的方法。该方法可与CNN集成为无监督学习管道，以处理视觉重新排名