原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
小型微型计算机系统2025年3月第3期
DOI:10.20009/j.cnki.21-1106/TP.2023-0535
JournalofChineseComputerSystemsVol.46No.32025
全局与局部视觉信息协同优化的多标签缺失学习方法
刘燕玲，马忠臣
（江苏大学计算机科学与通信工程学院，江苏镇江212013）
E-mailzhongchen_ma@ujs.edu.cn
摘要：实际图像通常包含不同类别的物体，所以人工标注出足够数量样本中的类别以满足模型训练的需求非常昂责.因此，
使用从互联网采集的大量带有缺失标签的样本来训练多标签学习模型成为当前机器学习领域的热门任务：当前的多标签缺失
学习方法主要依赖于预训练网络的记忆机制，从全局特征角度来纠正假负标签，但未从类别关联的显著性区域上有针对性地纠
正假负标签.为此，本研究提出了一种全局与局部视觉信息协同优化的多标签缺失图像识别框架.首先，本文提出了一种局部注
意区域定位方法，该方法基于类别显著性生成多样的局部区域.然后，提出了一种损失函数，该损失可在全局和局部视觉信息上
协同纠正假负标签，综合实验结果表明，本研究提出的方法相较于当前最先进的算法具有更好的识别性能，
关键词：多标签学习；深度学习；缺失标签；局部视觉信息
中图分类号：TP391文献标识码：A文章编号：1000-1220(2025)03-0672-08
CollaborativeOptimizationofGlobalandLocalVisualInformationforMulti-labelLearning
withMissingLabels
LIUYanling,MAZhongchen
(SchoolofComputerScienceandCommunicationsEngineering,JiangsuUniversity,Zhenjiang212013,China)
Abstract:Real-worldimagescommonlycontaindifferentcategoriesofobjects,makingthemanualannotationofthecategoriespresent
inasufficientnumberofsamplesformodeltrainingexceedinglyexpensive.Thus,usingalargesetofsampleswithmissinglabels
sourcedfromtheInternetformulti-labellearningmodeltraininghasemergedasapopulartaskinmachinelearning.Currentmethods
formulti-labellearningwithmissinglabelsprimarilyrelyonthememorizationeffectofthepre-trainednetworkstocorrectthefalse
negativelabelsfromaglobalfeatureperspective,neglectingcorrectingthefalsenegativelabelsspecificallyfromtheperspectiveofthe
salientregionsassociatedwiththespecificcategories.Tobridgethisgap,thisstudyproposesanimagerecognitionframeworkfor
multi-labellearninginthepresenceofmissinglabelswiththecollaborativeoptimizationoftheglobalandlocalvisuali
文档评论（0）