Tag · 4 篇
多标签分类
重新审视多标签分类中的F-measure优化：一种基于采样的方法
Revisiting F-measure Optimization in Multi-Label Classification: A Sampling-based Approach
对视觉多标签任务（如多标签图像识别、属性预测）而言，本文把F-measure最优预测规则中的q^3矩阵乘法改写为可用FFT加速的卷积（降至O(q^2 log q)），并用q个二分类器替代q个多分类器以缓解标签稀疏性，可直接替换现有多标签分类器的推理与训练流程。
DF^2-VB：面向多视图多标签分类的双层模糊融合与视图特定提升
DF^2-VB: Dual-level Fuzzy Fusion with View-specific Boosting for Multi-view Multi-label Classification
论文提出的特征级与决策级双层融合框架（模糊动态融合 + 视图特定提升）可直接迁移到多模态/多视图视觉任务中，例如多视角图像分类、多传感器融合识别，为如何联合利用互补特征与各视图预测提供可复用的融合范式。
DARC：面向可信胸部X光分类的双重调整反事实推理
DARC: Dual Adjustment Reasoning with Counterfactuals for Trustworthy Chest X-ray Classification
把因果推断中的后门调整与反事实推理引入胸部X光多标签分类，用于解耦病理共现与非病理视觉混杂带来的虚假相关；其像素级混杂标注数据集CheXconf与双流因果学习结构，可迁移到其他存在捷径学习的医学影像乃至自然图像分类任务。
面向不完整多视图多标签分类的跨视图蒸馏与自适应掩码
Cross-View Distillation and Adaptive Masking for Incomplete Multi-View Multi-Label Classification
跨视图蒸馏把高质量视图的表征作为教师信号对齐低质量视图，配合自适应掩码在融合前剔除不可靠表征，这套「先蒸馏再掩码」的流程可直接迁移到多模态/多视图视觉任务（如多相机、RGB-D、多传感器融合）中处理模态缺失与质量不均衡。