BriefGPT - AI 论文速递
·
使用广义鲁棒损失提升单一正标签多标签分类
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文提出了一种名为正例与未标注多标签分类（PU-MLC）的新方法，通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响，并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。实验证明 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。
🎯
关键要点
-
提出了一种名为正例与未标注多标签分类（PU-MLC）的方法。
-
通过丢弃训练集中的负标签来减少嘈杂标签的影响。
-
引入自适应重平衡因子和自适应温度系数以缓解标签分布中的不平衡和概率平滑问题。
-
PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显著改进。
🏷️
标签
➡️
