论文reviwe——Deep Label Distribution Learning with Label Ambiguity

qq_35490520

于 2019-12-22 21:12:50 发布

阅读量1.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：论文review

本文链接：https://blog.youkuaiyun.com/qq_35490520/article/details/103638035

本文提出了一种深度标签分布学习（DLDL）方法，该方法利用标签模糊信息提高特征学习和分类性能，尤其在训练数据有限的情况下。DLDL通过估计整个标签分布来处理标签不确定性，适用于年龄估计、头部姿态估计、多标签分类和语义分割等任务。通过直接学习条件概率质量函数，DLDL的目标是使预测的标签分布接近真实分布，从而减少过拟合并提高性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

摘要：CNN在多种视觉识别任务上取得了很好的识别性能，大量的带标记的训练集是CNN成功的重要因素。然而，在一些领域（如年龄估计，头部姿态估计，多标签分类和语义分割等）很难获得有准确标记的足够的训练图像；幸运的是，标签之间有模糊信息（ambiguous information)。
提出的DLDL(Deep Label Distribution Learning) 方法有效的在特征学习和分类中利用了标签模糊(label ambiguity)，它有助于防止训练集较小时的网络过拟合。

LDL过程分两步：

1.从图像中提取特征（learning the visual representations/feature learning）
2.利用特征和对应的标记分布LD,学习特征和LD之间的映射关系(classifier learning)

现有的传统LDL方法的问题：

these methods are suboptimal because they only utilize the correlation of neighboring labels in classifier learning, but not in learning the visual representations