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

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值