AAAI2020多视图学习模型MvNNcor对多标签任务迁移

Sigyc

于 2020-07-13 20:17:26 发布

阅读量543

点赞数

分类专栏： DL 文章标签：人工智能神经网络机器学习深度学习

本文链接：https://blog.csdn.net/github_31101389/article/details/107189191

版权

本文介绍了如何将AAAI2020论文中的Deep Embedded Complementary and Interactive Information for Multi-view Classification模型应用于多标签任务。通过简单修改损失函数和权重计算，实现了模型的转化。进阶部分提出了使用BR思想，为每个标签设置独立的视图融合权重，并探讨了进一步改进的可能性，即为每个标签单独训练分类网络，但考虑到计算成本和创新点的保留，这可能并非最优解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目的

之前阅读了AAAI2020 Deep Embedded Complementary and Interactive Information for Multi-view Classification这篇文章并做了阅读笔记，但是这是一个用于单标签任务的模型，出于用来做对比实验的目的欲把它改成了多标签模型，下面开始。

基础

先观察模型结构如下图
在这里插入图片描述
聚焦到模型最后的预测结果并融合的部分，观察源码发现最后的分类部分就是简单的全连接层，而且因为是多分类问题所以随后输出层有num_classes个节点。

        self.classifier_out = nn.Sequential(
            nn.Linear(num_view * fea_out, fea_com),
            nn.BatchNorm1d(fea_com),     
            nn.ReLU(inplace=True), 
            nn.Dropout(),
            nn.Linear(fea_com, num_classes),                   
            nn.BatchNorm1d(num_classes)                  
        )