LogicMix: Sample mixing data augmentation for multi-label image classification with partial labels

Chak Fong Chong

doi:10.1016/j.patcog.2025.112186

LogicMix: Sample mixing data augmentation for multi-label image classification with partial labels

2025-07-22

0

PRE

AI

Pedro Henriques Abreu

DOI：10.1016/j.patcog.2025.112186

原文链接

原文求助

摘要

En 中文

多标签图像分类数据集通常部分标注，其中许多标签缺失，这对训练精确的深度分类器构成了重大挑战。现有方法大多将缺失标签视为负样本和/或利用图像与类别关系来正则化训练。与此不同，本文研究了将此类不完整数据集中的样本混合为新样本，扩展训练数据规模以提高泛化能力。首先，提出的LogicMix通过混合多个部分标注样本生成新样本，其未知标签通过逻辑或等价自然混合，无需替换为常数。随后，提出了一种解耦的部分不对称损失，为原始样本和新样本分配独立的标签聚焦策略，以解决由原始样本和增强样本之间的正负标签不平衡导致的差异学习不平衡问题。最后，我们提出了一种完整的2WayAug-PL学习框架。LogicMix与常规数据增强协同作用，在样本-样本关系和人类先验知识两方面扩展新样本的多样性，而伪标签补偿标签不足以提供更多监督信号。利用三个基准数据集衍生出的27个部分标注数据集场景进行综合实验。LogicMix在提升mAP方面显示出显著的有效性和普适性，优于比较的样本混合数据增强方法。特别地，2WayAug-PL在MS-COCO、VG-200和Pascal VOC 2007上分别实现了84.3%、50.1%和93.8%的先进平均mAP。它进一步将不同框架的先前最佳性能分别提升了0.6%（CFT）、0.6%（CFT）和0.1%（SR）。此外，统计测试表明2WayAug-PL显著优于所有比较框架。代码可访问：https://github.com/maxium0526/logic_mix 。

Keyword:

multi-label image classification

incomplete datasets

LogicMix

data augmentation

partial-asymmetric loss

LogicMix: Sample mixing data augmentation for multi-label image classification with partial labels

摘要

期刊

机构

引用论文