BriefGPT - AI 论文速递
·
概率部分多标签学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种新的部分标签学习设置，使用深度神经网络PLMCL同时学习对部分标注和未标注的训练图像具有信心的伪标签。实验结果显示该方法在多标签分类中表现更好。
🎯
关键要点
-
本研究提出了一种新的部分标签学习设置，训练图像仅标注子集。
-
每个图像只有一个正标签，其余图像保持未标注状态。
-
使用端到端的深度神经网络PLMCL，能够同时学习部分标注和未标注图像的伪标签。
-
引入基于动量的法则更新软伪标签，以防止早期训练阶段陷入低信心的局部最小值。
-
提供适应不同标签的逐渐递增学习的自适应“自信度调度器”。
-
实验结果显示PLMCL方法在三个不同数据集上的多标签分类中表现优于现有方法。
➡️
