【共生性】CVPR 2019:Multi-Label Image Recognition with Graph Convolutional Networks

通常来说，一个图片里的不同物体具有共生性，所以建模label dependencies可能提升识别性能。

为了捕捉和探索这个重要的dependencies，本文作者提出了基于Graph Convolutional Network (GCN)的多标签分类模型。

在object labels上构建一个有向图，each node is represented by word embedding of a label, GCN 将label graph 映射到一组相互依赖的物体分类器，embedding-to-classifier。因为GCN对所有classes参数共享,所以implicitly建模了label correlations。

还有一个贡献是提出了一个re-weghted scheme to creat label correlation matrix来guide节点的信息传递。

Two motivations

（1）因为embedding-to-classifier mapping 参数在所有classes共享，学习到的分类器能够保持word embedding space 的语义结构，即语义相关的concepts are close to each other. 而且，分类器的梯度能够影响分类器生成函数，潜在建模了label dependencies。

（2）根据共生模式设计了label correlation matrix来使用建模label dependencies，节点特征的更新吸收了correlated nodes的信息。