カリキュラムベースの曖昧さ解消を用いた部分的マルチラベル画像分類のための深層モデル

本論文では、部分的マルチラベル（PML）画像分類問題を研究します。ここで、各画像には、複数の関連ラベルとその他のノイズラベルから成る候補ラベルセットが付与されています。既存のPML手法は、通常、追加の仮定を用いて事前知識を利用することによってノイズラベルをフィルタリングする曖昧さ解消戦略を設計しますが、残念ながら多くの実際のタスクでは利用できません。さらに、曖昧さ解消の目的関数は通常、全体のトレーニングセットに基づいて詳細に設計されるため、ミニバッチに対する確率的勾配降下法（SGD）で最適化することは難しいです。本論文では、PMLのための深層モデルを提案し、表現力と識別力を強化します。一方では、異なるクラスの難易度を取り入れることで、真のラベルを段階的に特定する新しいカリキュラムベースの曖昧さ解消戦略を提案します。もう一方では、特定された簡単なラベルに適合させ、潜在的な関連ラベルを活用するために、モデル訓練のために一貫性正則化を導入します。一般的に使用されるベンチマークデータセットにおける広範な実験結果は、提案された方法が最新の方法（SOTA）を大幅に上回ることを示しています。