学习将深度卷积神经网络用于带有部分标签的多标签分类

摘要

深度卷积神经网络在单标签图像分类上有着出色的性能,但是日常生活的图像却在本质上是多标签的。多标签分类比单标签分类更加困难。来自加拿大皇家银行Borealis AI研究所和加拿大西蒙弗雷泽大学的学者建议训练带有部分标签的模型以降低注释成本。他们对不同的标签策略进行实证比较,然后引入一种新的分类损失以利用每个样本中已知标签的比例学习部分标签,并进一步探讨了基于课程学习的策略来预测缺失的标签。该论文也是CVPR2019的新鲜热文。