通过有限的培训示例学习对图像标签进行排名

随着社交媒体中可用图像数量的增加，图像注释由于其在图像匹配和检索中的应用而成为重要的研究课题。 大多数研究将图像注释转换为多标签分类问题。 这种方法的主要缺点是，它需要大量带有干净且完整注释的训练图像，以便学习可靠的标签预测模型。 我们通过开发一种新颖的方法来解决这一局限，该方法将标签排名的优势与矩阵恢复的力量相结合。 我们的方法不必为每个标签做出二进制决定，而是按照标签与给定图像的相关性从高到低的顺序对标签进行排名，从而大大简化了问题。 另外，所提出的方法将针对不同标签的预测模型聚合到矩阵中，并将标签等级转换为矩阵恢复问题。 它引入了矩阵跟踪范数以显式控制模型的复杂性，从而即使在标签空间很大且训练图像的数量有限的情况下，也可以学习可靠的预测模型以进行标签排名。 在多个知名图像数据集上进行的实验证明，与最新的图像标注和标签排名方法相比，本文提出的标签排名框架的有效性。