BriefGPT - AI 论文速递
·
结合监督学习与强化学习用于多标签分类任务中的部分标签
💡
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同时学习部分标注和未标注的训练图像，通过更新软伪标签和自适应自信度调度器，提高多标签分类性能。实验结果表明，PLMCL方法比现有方法更好。
🎯
关键要点
- 本研究提出了一种新的部分标签学习设置，标注了训练图像的子集。
- 每个图像只有一个正标签，其余训练图像保持未标注状态。
- 使用端到端的深度神经网络PLMCL，同时学习部分标注和未标注的训练图像。
- 通过更新软伪标签和使用基于动量的法则，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。
- 实验结果表明，PLMCL方法在三个不同数据集上的多标签分类性能优于现有方法。
➡️
