多标签分类
落花满蹊径
这个作者很懒,什么都没留下…
展开
-
多标签分类(十三):Learning Semantic-Specific Graph Representation for Multi-Label Image Recognition
多标签图像识别的语义图表示学习摘要 识别图像的多个标签是一项实用且具有挑战性的任务,通过搜索语义敏感区域和建立标签依赖关系已经取得了重要进展,然而,由于缺乏部分级监督和语义指导,现有的方法无法准确定位语义区域.此外,它们不能充分探索语义区域之间的相互作用,也没有明确地对标签共现进行建模.为了解决这些问题,我们提出了一个特定于语义的图表示学习(SSGRL)框架,该框架由两个关键模块组成:1)语义解耦模块,包含类别语义来指导特定语义表示的学习.2)语义交互模块,将这些表示与基于统计标签共现的图相关联,并通原创 2020-12-23 22:02:23 · 3013 阅读 · 6 评论 -
多标签分类(十二):Chest X-rays Classification a Multi-Label and Fine-Grained Problem
胸部x射线分类-一个多标签和细粒度的问题摘要 ChestX-ray14数据集在现有文献中被认为是一个通用的图像分类问题.这个特定的数据集具有以下特性:1)许多肺病理在视觉上是相似的;2)单次扫描(多个标签)中可能出现大量疾病,包括肺癌、肺结核和肺炎。3)正常实例数量远远多于异常(不平衡数据)。这些特性在医学领域很常见。现有文献使用最先进的DensetNet/Resnet模型进行转移学习,其中网络的输出神经元针对单个疾病进行训练,以满足每张图像中多个疾病标签的需要。然而,在本文中我们提出了一种新的基于.原创 2020-11-18 16:47:10 · 3887 阅读 · 1 评论 -
多标签分类(十一):HCP: A Flexible CNN Framework for Multi-Label Image Classification
HCP:灵活的CNN多标签图像分类框架摘要 卷积神经网络(CNN)在单标签图像分类任务中表现出了良好的性能.但是CNN如何最好的处理多标签图像仍然是一个有待解决的问题,主要是由于底层对象布局复杂,多标签训练图像不足.在这项工作中,我们提出了一种灵活的深度CNN基础架构,称为Hypotheses-CNN-Pooling(HCP),其中将任意数量的对象段假设作为输入,然后将共享的CNN与每个假设连接,最后是CNN 将来自不同假设的输出结果与最大池合并,以生成最终的多标签预测.这种灵活的深度 CNN基础设施原创 2020-11-12 19:54:57 · 1970 阅读 · 4 评论 -
多标签分类(十):Multi-label Image Classification with Regional Latent Semantic Dependencies
具有区域潜在语义相关性的多标签图像分类 来自2017年的CVPR 摘要 深度卷积神经网络(CNN)在单标签图像分类方面表现出了先进的性能,在多标签图像分类方面也取得了长足的进展。多标签图像分类需要在一个镜头中标注物体、属性、场景类别等.目前的多标签图像分类方法利用了图像中标签的相关性,在全局范围内极大地提高了标签的能力。然而,由于对全局视觉特征的识别有限,预测小物体和视觉概念仍然是一个挑战.在本文中,我们提出了一个区域潜在语义依赖模型(RLSD)来解决这个问题,所使用的模型包括一个完全卷积的定位.原创 2020-11-02 16:17:32 · 4347 阅读 · 15 评论 -
图网络:Graph Structured Network for Image-Text Matching
用于图文匹配的图结构网络摘要 由于图像-文本匹配连接了视觉和语言,因此它受到了越来越多的关注。关键的挑战在于如何学习图像和文本之间的对应关系。现有的工作基于对象共现统计学习粗对应,而没有学习细粒度的短语对应。在本文中,我们提出了一种新颖的图结构匹配网络(GSMN),以学习细粒度的对应关系。GSMN将对象、关系和属性明确地建模为一个结构化短语,不仅可以分别学习对象、关系和属性的对应关系,而且有利于学习结构化短语的细粒度对应关系。这是通过节点级匹配和结构级匹配实现的。节点级匹配将每个节点与其来自另一种模式原创 2020-10-29 20:44:14 · 3041 阅读 · 2 评论 -
多标签分类(八):Attention-Driven Dynamic Graph Convolutional Network for Multi-Label Image Recognition
注意力驱动的动态图形卷积网络用于多标签图像识别摘要 近年来,为了提高多标签图像的识别精度,研究中经常使用图卷积网络(GCN)来建模标签依赖关系。但是,通过计算训练数据的标签共现可能性来构造图可能会降低模型的通用性,特别是当测试图像中存在偶然的共现对象时。我们的目标是消除这种偏差并增强学习特征的鲁棒性。 为此,我们提出了一种注意力驱动动态图卷积网络(ADD-GCN),可以为每个图像动态生成特定图。ADD-GCN采用动态图卷积网络(D-GCN)对语义注意模块(SAM)生成的内容感知类别表示的关系进行建模.原创 2020-10-07 18:45:38 · 4503 阅读 · 25 评论 -
多标签分类(五):Learning Spatial Regularization with Image-level Supervisions for Multi-label Image Classif
使用图像级监督学习空间正则化以进行多标签图像分类文章来自于2017年的CVPR摘要 多标记图像分类是计算机视觉中一项基本而又具有挑战性的任务,近年来,标签间语义关系的研究取得了很大进展。但是,传统的方法无法对多标签图像中标签之间的底层空间关系进行建模,因为通常没有标签的空间标注.在本文中,我们提出了一个统一的深度神经网络,该网络仅利用图像级别的监督即可利用标签之间的语义和空间关系。对于多标签图像,我们提出的空间正则化网络(SRN)生成所有标签的注意图,并通过可学习的卷积捕获它们之间的基本关系,利.原创 2020-09-15 19:52:14 · 1344 阅读 · 2 评论 -
多标签分类(四):Multi-Label Classification with Label Graph Superimposing
基于标签图叠加的多标签分类 摘要 图像或视频总是包含多个对象或动作。由于深度学习技术的快速发展,多标签识别已经实现了良好的性能.近年来,图卷积网络(GCN)被用来提高多标签识别的性能,然而,标签相关建模的最佳方式是什么,以及如何通过标签系统感知来改进特征学习,目前还不清楚.本文提出了一种标签图叠加框架,从以下两个方面对传统的多标签识别GCN+CNN框架进行改进.首先将统计共现信息构建的标签图叠加到标签知识先验构建的图中,建立标签相关性模型,然后对最终叠加的图进行多层卷积,实现标签的嵌入抽象...原创 2020-09-12 16:59:08 · 6044 阅读 · 3 评论 -
多标签分类(三): Multi-Label Image Recognition with Graph Convolutional Networks
基于卷积网络的多标签图像识别摘要 多标签图像识别的任务是预测图像中出现的一组目标标签。由于目标通常同时出现在图像中,为了提高识别性能,需要对标签依赖进行建模。为了捕获和探索这种重要的依赖关系,我们提出了一种基于图卷积网络(Graph Convolutional Network GCN)的多标签分类模型。该模型在对象标签上构建了一个有向图,其中每个节点(标签)用标签的单词嵌入表示,GCN学习了如何将这个标签图映射到一组相互依赖的对象分类器中,这些分类器应用于由另一子网提取出来的图像描述符,使整个网络具有原创 2020-08-31 20:30:13 · 8620 阅读 · 7 评论 -
多标签分类(二):Deep Learning with a Rethinking Structure for Multi-label Classification
深度学习与反思结构的多标签分类摘要 多标签分类(MLC)是一类重要的机器学习问题,涉及广泛的应用程序,每个应用程序都可能要求不同的评估标准。在解决MLC问题时,我们通常希望学习算法能够考虑到标签之间隐藏的相关性来提高预测性能,提取标签之间隐藏的相关性通常是一项艰巨的任务。在这项工作中,我们提出了一种新颖的深度学习框架,以借助递归神经网络中的内存结构更好地提取隐藏的相关性。存储器将临时猜测存储在标签上,并有效地使框架能够在做出最终预测之前重新考虑猜测的优劣和相关性。 此外,通过重新考虑(Rethinki原创 2020-08-10 13:21:39 · 2368 阅读 · 3 评论