论文阅读笔记《LaSO: Label-Set Operations networks for multi-label few-shot learning》

核心思想

  本文提出一种通过标签集合操作实现多标签分类任务的网络（Label-Set Operations Networks，LaSO）。作者首先为我们举了一个形象的例子，如下图所示

  如果我们希望训练得到一个用于动物的分类器，但是我们采集到的老虎图片是带有笼子的（如图a），因此在学习过程中可能由于学习到了笼子的特征，而导致训练得到的分类器无法识别野生环境中的老虎（如图c）。作者想到了一个解决方案，就是利用其他包含笼子这个物体的图片（如图b），从其中学习到两幅图片的公共特征（即笼子的特征），然后再从图a对应的特征中去除笼子的特征，那么就可以得到老虎的特征，不仅如此，在这个过程中，我们也可以潜移默化地学习到如何去识别笼子，即使笼子并不是我们标记出来的目标物体。总而言之，每幅图片中都包含多种物体，这些物体的标签构成了一个标签集合，利用标签集合之间的关系（如交集，并集，差集），就可以从图像中学习到隐式的语义信息，这相当于对数据集进行了数据增强，拓展了特征空间包含的特征信息，因此可以用于解决小样本的多标签分类问题。

  作者具体是如何实现上述想法的呢？如上图所示，输入一对图像$X$X和$Y$Y，以及对应的标签集合$L(X)$L(X)和$L(Y)$L(Y)，首先经过一个特征提取网络分别得到两幅图像对应的特征信息$F_X$FX​和$F_Y$FY​；将特征信息级联起来，送入标签合集操作网络（LaSO），该网络分成平行的三个部分：交集模块$M_{int}$Mint​，并集模块$M_{uni}$Muni​和差集模块$M_{sub}$Msub​，其中交集模块用于提取两幅图*有的特征信息$Z_{int}$Zint​，并集模块用于提取两幅图中所有的特征信息$Z_{uni}$Zuni​，差集模块用于提取$X$X中有但$Y$Y中没有的特征信息$Z_{sub}$Zsub​；最后将三部分特征信息以及最初的$F_X$FX​和$F_Y$FY​共同输入到一个分类器网络中，得到最终的分类结果。

实现过程

网络结构

  特征提取网络采用InceptionV3或者ResNet-34结构，标签合集操作网络（LaSO）采用3个或4个全连接块构成的多层感知机，每个全连接块包含全连接层、BN层，Leaky-ReLU层和dropout操作，分类器网络文中并没有具体介绍，估计也是全连接层+softmax层的常规结构。

损失函数

  本文设计的损失函数包含两大部分：多标签分类损失和重构损失。多标签分类损失的基础损失函数是二元交叉熵损失函数（Binary Cross-Entropy，BCE）计算方法如下

首先根据最初的特征信息$F_X$FX​和$F_Y$FY​，进行分类预测并计算损失

然后在利用标签合集操作网络得到的交集$Z_{int}$Zint​、并集$Z_{uni}$Zuni​、差集$Z_{sub}$Zsub​特征信息分别计算对应的分类损失，并求和得到标签合集操作损失

值得注意的是上述两个损失是解耦的，在更新标签合集操作网络的参数时，分类器网络的参数是固定的。
  重构损失的基础损失函数是均方差损失函数（Mean Square Error，MSE）。首先保证交集模块和并集模块结果的对称性，也就是说当我们把输入的两幅图片调换顺序，得到的交集和并集结果应该和调换顺序之前保持一致，而不应该由于顺序的改变而发生变化，计算方法如下

其次要减少模块提取特征之间的冲突，对于图像$X$X和$Y$Y而言，如果对差集特征信息$Z_{sub}$Zsub​（图像$X$X中有，但$Y$Y中没有）和交集特征信息$Z_{int}（图像$Zint​（图像X$和$和Y$中都有的）$中都有的）取并集操作$M_{uni}$Muni​，那么应该还原得到图像$X$X对应的特征$F_X$FX​，反之亦然。因此可得第二部分的重构损失，计算方法如下

训练策略

  将MS-COCO数据集分成两部分：看见过的和没看过的。其中看见过的包含64类物品，没看过的包含16类物品，首先用64类看见过的图像数据集对特征提取网络进行训练（使用标准的交叉熵损失函数），然后对LaSO进行联合训练。

创新点

• 提出一种用于多标签小样本图像分类任务的算法，利用标签集之间的关系，提取潜在的语义信息，形成一种在特征空间层次上的数据增强，进而解决小样本的问题
• 设计了包含多标签分类损失和重构损失的混合损失函数

算法评价

  本文是首个提出并解决多标签小样本分类任务的算法，在小样本学习任务中，有一类算法是采用数据增强的思路，通过对数据集进行扩充（常规的数据增强、合成图像或者GAN生成图像）来解决样本过少的问题的。本文提出的算法也是沿用了这一思路，不过并非是在图像这个层次上进行数据扩充，而是在特征空间这一层次上，就像最开始提到的笼子和老虎的例子，作者并没有显式的去生成笼子对应的图像，而是在特征空间内，获取了笼子这一语义概念对应的特征信息，而这一信息是原本输入的图像和标签中没有直接涵盖的，因此起到了数据增强的效果。本文的想法非常的新颖和有趣，但其作用更多的表现在多标签分类任务上，对于小样本学习任务的帮助作用有限。

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。