Hidden-concept driven image decomposition towards semi-supervised multi-label image annotation
Notice bibliographique
Résumé
Conventional semi-supervised learning algorithms over multi-label image data propagate labels predominantly via the holistic image similarities, ignoring that each label essentially only characterizes a local region within an image. In this paper, we present a novel propagation-by-decomposition solution to this problem with the following characteristics: 1) each image representation is implicitly decomposed into several label representations; 2) those decompositions are guided by the so-called hidden concepts, which are expected to characterize image regions and be able to reconstruct both visual and non-visual labels of the entire image label space; 3) the intra-label diversity is expressed by the hidden-concept-specific subspace, which acts as the intermediate entity for propagating specific label from labeled data to unlabeled ones; and 4) the sparse coding based graph is proposed to enforce the collective consistency between image labels and image representations, which naturally avoids the dilemma of possible inconsistency between the pairwise label similarity and image representation similarity in multi-label scenario. These properties are finally embodied in a regularized nonnegative data factorization formulation, from which a convergence provable updating procedure is presented to iteratively optimize the objective function. Extensive experiments on three benchmark image datasets well validate the effectiveness of our proposed solution to semi-supervised multi-label image annotation problem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».