所有文章 > 正文

IJCAI 2021 | GM-MLIC:基于图匹配的多标签图像分类

作者: CVer计算机视觉

时间: 2021-05-18 00:06

本文提出了一种基于图匹配的多标签图像分类方法,表现SOTA!性能优于TSGCN、CMA等网络。

本文提出了一种基于图匹配的多标签图像分类方法,表现SOTA!性能优于TSGCN、CMA等网络。

想看更多CVPR 2021论文和开源项目可以点击:
CVPR2021-Papers-with-CodeGM-MLIC: Graph Matching based Multi-Label Image Classification

作者单位:北京交通大学, 纵目科技
论文(IJCAI 2021):https://www.aminer.org/pub/608fc7ff91e01142b70f2520/gm-mlic-graph-matching-based-multi-label-image-classification

本文提出了一种基于图匹配的多标签图像分类方法。该方法将每张图像视为一个实例包,将多标签图像分类(MLIC)任务重新定义为实例-标签的匹配选择问题。
为了对此类问题进行建模,本文设计了一种新颖的深度学习框架,此框架引入了图匹配(GM)学习机制去显式地挖掘实例与标签之间关系。

具体来说,本文先分别构造一个实例空间图和一个标签语义图,然后通过将每个实例连接到所有标签上,从而将实例空间图和标记语义图合并为一个重构的分配图。

随后,采用图网络来聚合和更新分配图上所有节点和边的属性,以形成每个实例和标签的结构化表示。最后,该网络为每个实例与标签之间的对应关系输出一个预测分,并使用加权交叉熵损失优化此对应关系。

实验结果
通过在各种图像数据集上进行的大量实验证明了我们方法的优越性。

二维码 扫码微信阅读
推荐阅读 更多