积极监督的跨模态检索
相关实验视频
Updated: May 22, 2025

13:51
Cross-Modal Multivariate Pattern Analysis
Published on: November 9, 2011
19.9K
概括
这项研究引入了主动监督交叉模式检索 (ASCMR),以降低标签成本. 新的框架有效地选择信息,公正的多模式数据,以提高检索性能,最小注释.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 监督交叉模式检索 (SCMR) 在很大程度上依赖于大型,注释的多模式数据集,限制了其实际应用.
- 现有的SCMR主动学习 (AL) 方法往往忽略了模式间的关系,导致偏见的样本选择,降低了性能.
研究的目的:
- 开发一个主动监督跨模式检索 (ASCMR) 框架,有效地识别信息多模式样本,并确保公正的选择.
- 为了降低SCMR的注释成本,同时保持高的检索性能.
主要方法:
- 提出了一个概率的多模式信息性估计,以在统一表示中捕捉模式内和模式间的不确定性.
- 引入了密度意识的预算分配策略,并对语义密度进行规范化,以实现无偏的样本选择.
主要成果:
- 在MS-COCO,NUS-WIDE和MIRFlickr数据集上进行评估,显示了显著的注释成本降低.
- 仅使用6%,3%和4%的活跃选择样本实现了超过95%的完全监督性能.
- 在减少注释要求方面表现优于现有的积极学习策略.
结论:
- 拟议的ASCMR框架有效地解决了SCMR现有的AL方法的局限性.
- 由于ASCMR能够实现高检索性能,而标签工作大幅减少,使SCMR变得更加实用.
更多相关视频
05:58Using Rapid Serial Visual Presentation to Measure Set-Specific Capture, a Consequence of Distraction While Multitasking
Published on: August 29, 2018
8.8K
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
983