标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL...标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL算法性能的下降。为此,本文提出了一种新型的结合局部序标记关系的弱监督标记分布学习算法,通过维持尚未缺失标记之间的相对关系,并利用标记相关性来恢复缺失的标记,在数据标注不完整的情况下提升算法性能。在14个数据集上进行了大量的实验来验证算法的有效性。展开更多
【目的】考虑到标记分布学习中标记之间具有层次结构关系,将层次标签结构引入标记分布学习,提升标记分布学习的效果。【方法】提出一种基于层次标签结构的标记分布学习算法(Hierarchy Label Distribution Learning Algorithm,H-LDL),根...【目的】考虑到标记分布学习中标记之间具有层次结构关系,将层次标签结构引入标记分布学习,提升标记分布学习的效果。【方法】提出一种基于层次标签结构的标记分布学习算法(Hierarchy Label Distribution Learning Algorithm,H-LDL),根据样本在各层次的标签,利用条件概率描述粗、细两个层次的结构关系,并通过层次加权损失函数及其优化策略调节层次间标记的准确分布。【结果】在两个公开数据集上进行实验,用了5个指标进行效果检测,其中,BU_3DFE数据集在Euclidean、Squared、K-L指标中较基线算法最低值分别降低了3.99%、1.07%、3.10%,Intersec和Fidelity指标较基线算法最高值分别提升了4.24%、0.67%,COMP数据集在Euclidean指标上降低了0.48%,在Squared、K-L指标未见明显降低,在Intersec和Fidelity指标上提升了0.45%、0.02%。【局限】仅考虑了标签之间粗层次和细层次两层结构关系,当标签具有其他更复杂的层次结构关系时需进一步研究。【结论】加入层次标签结构后标记分布误差有明显减小,有效提升了标记分布学习的效果。展开更多
目的视频动作质量评估旨在评估视频中特定动作的执行情况和完成质量。自动化的动作质量评估能够有效地减少人力资源的损耗,可以更加精准、公正地对视频内容进行评估。传统动作质量评估方法主要存在以下问题:(1)视频中动作主体的多尺度...目的视频动作质量评估旨在评估视频中特定动作的执行情况和完成质量。自动化的动作质量评估能够有效地减少人力资源的损耗,可以更加精准、公正地对视频内容进行评估。传统动作质量评估方法主要存在以下问题:(1)视频中动作主体的多尺度时空特征问题;(2)认知差异导致的标记内在模糊性问题;(3)多头自注意力机制的注意力头冗余问题。针对以上问题,提出了一种能够感知视频序列中不同时空位置、生成细粒度标记的动作质量评估模型SALDL(self-attention and label distribution learning)。方法SALDL提出Attention-Inc(attention-inception)结构,该结构通过Embedding、多头自注意力以及多层感知机将自注意力机制渐进式融入Inception结构,使模型能够获得不同尺度卷积特征之间的上下文信息。提出一种正负时间注意力模块PNTA(pos-neg temporal attention),通过PNTA损失挖掘时间注意力特征,从而减少自注意力头冗余并提取不同片段的注意力特征。SALDL模型通过标记增强及标记分布学习生成细粒度的动作质量标记。结果提出的SALDL模型在MTL-AQA(multitask learning-action quality assessment)和JIGSAWS(JHU-ISI gesture and skill assessment working set)等数据集上进行了大量对比及消融实验,斯皮尔曼等级相关系数分别为0.9416和0.8183。结论SALDL模型通过充分挖掘不同尺度的时空特征解决了多尺度时空特征问题,并引入符合标记分布的先验知识进行标记增强,达到了解决标记的内在模糊性问题以及注意力头的冗余问题。展开更多
标记分布是一种新的学习范式,现有算法大多数直接使用条件概率建立参数模型,未充分考虑样本之间的相关性,导致计算复杂度增大。基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱...标记分布是一种新的学习范式,现有算法大多数直接使用条件概率建立参数模型,未充分考虑样本之间的相关性,导致计算复杂度增大。基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱聚类的标记分布学习算法(label distribution learning with spectral clustering,SC-LDL)。首先,计算样本相似度矩阵;然后,对矩阵进行拉普拉斯变换,构造特征向量空间;最后,通过K-means算法对数据进行聚类建立参数模型,预测未知样本的标记分布。与现有算法在多个数据集上的实验表明,本算法优于多个对比算法,统计假设检验进一步说明算法的有效性和优越性。展开更多
文摘标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL算法性能的下降。为此,本文提出了一种新型的结合局部序标记关系的弱监督标记分布学习算法,通过维持尚未缺失标记之间的相对关系,并利用标记相关性来恢复缺失的标记,在数据标注不完整的情况下提升算法性能。在14个数据集上进行了大量的实验来验证算法的有效性。
文摘【目的】考虑到标记分布学习中标记之间具有层次结构关系,将层次标签结构引入标记分布学习,提升标记分布学习的效果。【方法】提出一种基于层次标签结构的标记分布学习算法(Hierarchy Label Distribution Learning Algorithm,H-LDL),根据样本在各层次的标签,利用条件概率描述粗、细两个层次的结构关系,并通过层次加权损失函数及其优化策略调节层次间标记的准确分布。【结果】在两个公开数据集上进行实验,用了5个指标进行效果检测,其中,BU_3DFE数据集在Euclidean、Squared、K-L指标中较基线算法最低值分别降低了3.99%、1.07%、3.10%,Intersec和Fidelity指标较基线算法最高值分别提升了4.24%、0.67%,COMP数据集在Euclidean指标上降低了0.48%,在Squared、K-L指标未见明显降低,在Intersec和Fidelity指标上提升了0.45%、0.02%。【局限】仅考虑了标签之间粗层次和细层次两层结构关系,当标签具有其他更复杂的层次结构关系时需进一步研究。【结论】加入层次标签结构后标记分布误差有明显减小,有效提升了标记分布学习的效果。
文摘目的视频动作质量评估旨在评估视频中特定动作的执行情况和完成质量。自动化的动作质量评估能够有效地减少人力资源的损耗,可以更加精准、公正地对视频内容进行评估。传统动作质量评估方法主要存在以下问题:(1)视频中动作主体的多尺度时空特征问题;(2)认知差异导致的标记内在模糊性问题;(3)多头自注意力机制的注意力头冗余问题。针对以上问题,提出了一种能够感知视频序列中不同时空位置、生成细粒度标记的动作质量评估模型SALDL(self-attention and label distribution learning)。方法SALDL提出Attention-Inc(attention-inception)结构,该结构通过Embedding、多头自注意力以及多层感知机将自注意力机制渐进式融入Inception结构,使模型能够获得不同尺度卷积特征之间的上下文信息。提出一种正负时间注意力模块PNTA(pos-neg temporal attention),通过PNTA损失挖掘时间注意力特征,从而减少自注意力头冗余并提取不同片段的注意力特征。SALDL模型通过标记增强及标记分布学习生成细粒度的动作质量标记。结果提出的SALDL模型在MTL-AQA(multitask learning-action quality assessment)和JIGSAWS(JHU-ISI gesture and skill assessment working set)等数据集上进行了大量对比及消融实验,斯皮尔曼等级相关系数分别为0.9416和0.8183。结论SALDL模型通过充分挖掘不同尺度的时空特征解决了多尺度时空特征问题,并引入符合标记分布的先验知识进行标记增强,达到了解决标记的内在模糊性问题以及注意力头的冗余问题。
文摘标记分布是一种新的学习范式,现有算法大多数直接使用条件概率建立参数模型,未充分考虑样本之间的相关性,导致计算复杂度增大。基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱聚类的标记分布学习算法(label distribution learning with spectral clustering,SC-LDL)。首先,计算样本相似度矩阵;然后,对矩阵进行拉普拉斯变换,构造特征向量空间;最后,通过K-means算法对数据进行聚类建立参数模型,预测未知样本的标记分布。与现有算法在多个数据集上的实验表明,本算法优于多个对比算法,统计假设检验进一步说明算法的有效性和优越性。