项目名称: 基于社会标记精化的多标记学习算法研究

项目编号: No.61202170

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 卫志华

作者单位: 同济大学

项目金额: 24万元

中文摘要: 不同于传统的单标记学习问题,多标记学习考虑一个对象对应多个类别标记的情况,是当前国际机器学习领域研究的热点问题之一。然而,由于多标记学习中标记组合的多样性,其学习的准确率尚待提高,并且训练样本获取困难问题已成为制约该领域研究的瓶颈。本项目以互联网视频自动标注为背景,研究以下问题:1)针对社会标记的模糊性、个性化等问题,拟通过内容感知与语义计算相结合的方法,对社会标记进行去噪、修正、推荐、合并,实现社会标记精化;2)针对标记关系不确定性的问题,拟通过贝叶斯网络对标记关系建模,实现标记关系的量化描述;3)针对多标记学习中常忽略标记依赖关系的问题,拟通过最优化理论训练标记关系对多标记集成学习的约束参数,达到提高多标记分类性能的目的。不同于传统的直推式学习方法,采取将样本精化和多标记学习两个复杂问题分而治之的思路,丰富和拓展了机器学习理论和方法,对于解决互联网视频标注问题具有重要的指导意义。

中文关键词: 多标记学习;社会标记精化;视频内容标注;半监督学习;目标跟踪

英文摘要: Multi-label learning, which considers the case of an object related to multiple labels, attracts much attention in recent years. However, the performance of multi-label learning is still not satisfied due to its own complexity. Moreover, the scarcity of training samples for learning process becomes the necklace of the research for the great price of manually labeling works. Focusing on the automatic video content annotation, this project studies the following problems. Firstly, considering the problem that the social tags contributed by common users on the Web are often ambiguous, limited in terms of completeness,and overly personalized, the social tag refining algorithm is proposed based on content perception and semantic computing.Secondly, considering the uncertainty relationship among labels, the algorithm based on Bayesian Networks is proposed to modeland describe their relationship.In addition, considering the effect of label correlation, the algorithm of ensembling multiple single classifiers constrained by label dependency is proposed.Different from the traditional transductive learning methodology, this proposal adopts the strategy of "divide and rule" which resolve the problem of refining social tags and advancing multi-label learning performance respectively. It enriches and extends the theories and a

英文关键词: Multi-label learning;society label refining;video content annotation;semi-supervised learning;object tracking

成为VIP会员查看完整内容
0

相关内容

【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
【博士论文】机器学习中的标记增强理论 与应用研究
专知会员服务
29+阅读 · 2021年12月3日
【NeurIPS2021】由相似性迁移的弱样本细粒度分类
专知会员服务
20+阅读 · 2021年11月11日
IEEE TPAMI | 基于标注偏差估计的实例相关PU学习
专知会员服务
10+阅读 · 2021年10月23日
专知会员服务
86+阅读 · 2021年9月4日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
47+阅读 · 2020年10月20日
专知会员服务
50+阅读 · 2020年7月16日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
【WWW2021】基于知识嵌入的图卷积网络
专知
0+阅读 · 2021年4月27日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
深度学习时代的目标检测算法
炼数成金订阅号
39+阅读 · 2018年3月19日
一文读懂贝叶斯分类算法(附学习资源)
大数据文摘
12+阅读 · 2017年12月14日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
14+阅读 · 2021年3月10日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
小贴士
相关VIP内容
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
【博士论文】机器学习中的标记增强理论 与应用研究
专知会员服务
29+阅读 · 2021年12月3日
【NeurIPS2021】由相似性迁移的弱样本细粒度分类
专知会员服务
20+阅读 · 2021年11月11日
IEEE TPAMI | 基于标注偏差估计的实例相关PU学习
专知会员服务
10+阅读 · 2021年10月23日
专知会员服务
86+阅读 · 2021年9月4日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
47+阅读 · 2020年10月20日
专知会员服务
50+阅读 · 2020年7月16日
相关资讯
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
【WWW2021】基于知识嵌入的图卷积网络
专知
0+阅读 · 2021年4月27日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
深度学习时代的目标检测算法
炼数成金订阅号
39+阅读 · 2018年3月19日
一文读懂贝叶斯分类算法(附学习资源)
大数据文摘
12+阅读 · 2017年12月14日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
相关基金
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员