论文笔记之:Heterogeneous Image Features Integration via Multi-Modal Semi-Supervised Learning Model

Posted The Blog of Xiao Wang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了论文笔记之:Heterogeneous Image Features Integration via Multi-Modal Semi-Supervised Learning Model相关的知识,希望对你有一定的参考价值。

 Heterogeneous Image Features Integration via Multi-Modal Semi-Supervised Learning Model

ICCV 2013

 

Paperhttp://www.escience.cn/system/file?fileId=72247 

Codehttp://www.escience.cn/people/fpnie/papers.html 

  

本文提出了一种结合多种传统手工设计 feature 的多模态方法,在 label propagation 的基础上进行标签传递,进行半监督学习,综合利用各种 feature 的优势,自适应的对各种feature 的效果进行加权,即:对于判别性较好的 feature给予较高的权重,较差的 feature 给予较低的权重,然后将整个流程融合在一个框架中进行学习。

    关于基于 Graph 的标签传递的基础知识,请参考具体论文,或者本博客的博文“Dynamic Label Propagation for Semi-supervised Multi-class Multi-label Classification”。

     下面的公式即为所提出的 general 的 framework:

  其中,这个公式主要有 3个成分,即:各个feature 所占的权重 $\\alpha^{(v)}$,V 是所有feature类别总数,$G^{(v)}$ 是第 v 个特征对应的类别标签矩阵 (class label matrix),$G$ 是我们所感兴趣的 比较趋于一致的 类别标签矩阵。通过求解该公式,同时得到 $G^{(v)}$, $G$, $\\alpha^{(v)}$。

  由于该框架并非凸的,那么无法直接对其进行求解,那么我们要做的就是将其拆分为 3个 步骤,分别进行求解,即:

  Step 1:   固定 $G^{(v)}$, $G$, 然后先求解 $\\alpha^{(v)}$:

  然后这个子问题,就可以利用拉格朗日乘数法进行求解,因为这是一个带有约束的最小值问题。

  然后可以求解得到公式(11),即为各个模态的权重,但是 蓝色加深字体,可能是作者笔误,我认为这里应该是 $\\alpha^{(v)}$才对,因为求得就是这个,不知道为何弄出一个 $a^{(v)}$出来。额。。。

  

  Step 2.  就是固定已经求出的 $\\alpha^{(v)}$ 以及 $G$,然后去求解 $G^{(v)}$

  将上述问题转换为:

  可以得到公式(13),即为所求。

 

  Step 3.   固定已经求出的 $\\alpha^{(v)}$ 以及  $G^{(v)}$,然后去求解 $G$

  由此可以得到:

 

  迭代的进行上述三个步骤,直至收敛。

  最后一步,就是将所得到的标签向量取最大值,作为对应样本的标签,即:

  

  完整的算法流程如下:

 

  本文的实验部分,做的比较充分,在 4个数据集上进行了验证。本文所要验证的主要问题就是,这种方式自适应加权的 feature 组合可以得到更好的标签传递效果。

 

  

以上是关于论文笔记之:Heterogeneous Image Features Integration via Multi-Modal Semi-Supervised Learning Model的主要内容,如果未能解决你的问题,请参考以下文章

论文阅读|Info2vec: An aggregative representation method in multi-layer and heterogeneous networks

论文翻译:HetConv-Heterogeneous Kernel-Based Convolutions for Deep CNNs

Heterogeneous Attentions for Solving Pickup and Delivery Problem via Deep Reinforcement Learning

Heterogeneous Attentions for Solving Pickup and Delivery Problem via Deep Reinforcement Learning

HGsuspector: Scalable Collective Fraud Detection in Heterogeneous Graphs

Fast Image/Video Upsampling 论文笔记