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