Multi-Label Classification with Label Graph Superimposing.pdf

多标签分类与标签图superimposing 多标签分类是计算机视觉和机器学习领域中的一个重要任务，即对一个图像或视频进行多个对象或动作的识别。近年来，深度学习技术的rapid development使得多标签识别的性能得到了很大的提高。图卷积网络（Graph Convolutional Network，GCN）是近年来兴起的一种有效的多标签分类方法，它可以对标签之间的相关性进行建模，并提高特征学习的性能。 然而，如何更好地对标签之间的相关性进行建模，以及如何将标签系统awareness整合到特征学习过程中，仍然是多标签分类领域中两个亟待解决的问题。为了解决这两个问题，本文提出了一个基于标签图superimposing的多标签分类框架。 我们使用统计共现信息构建标签图，然后将其 superimpose 到知识先验标签图中。然后，对于最终的 superimposed 图，我们使用多层图卷积来进行标签嵌入抽象。这个方法可以有效地对标签之间的相关性进行建模，并提高特征学习的性能。 我们提出了一个使用整个标签系统的嵌入来进行更好的表示学习方法。具体来说，我们在浅、中、深层添加了横向连接，以将标签系统的信息注入到 backbone CNN 中，以提高特征学习过程中的标签awareness。 我们在 MS-COCO 和 Charades 数据集上进行了广泛的实验，结果表明我们的方法可以大大提高识别性能，并达到新的最优识别性能。 多标签分类是计算机视觉和机器学习领域中的一个基本任务，它的应用前景非常广泛，包括图像和视频识别、自然语言处理、推荐系统等等。因此，研究多标签分类算法的性能和效率具有非常重要的意义。 在本文中，我们提出的基于标签图superimposing的多标签分类框架可以有效地提高多标签分类的性能，并具有很强的实用价值。未来，我们将继续研究多标签分类算法的性能和效率，以满足实际应用的需求。