使用模糊标签驱动标签松弛的多视角分类算法

摘要

随着数据采集技术的不断发展，多视角数据在医学图像、行为识别与多模态分析等领域得到了广泛应用.然而，不同视角间的语义差异性与标签获取过程中的主观性，常导致标签噪声和分类鲁棒性下降等问题.为此，本文提出一种基于模糊标签驱动的标签松弛与一致性监督相结合的多视角分类算法.该方法通过模糊聚类为每个样本构建软标签表示，以挖掘标签的不确定性与语义模糊性.随后，在软标签的学习过程中引入视角权重与真实标签的联合约束，引导模型在真实标签与模糊标签之间建立柔性监督机制，实现标签层面的软性过渡.最终，通过多轮迭代将软标签与视角特征共同优化，学习出具有判别性的特征投影矩阵.在4个真实世界数据集上得到的结果与其他多视角分类算法以及传统分类方法进行比较，所提出的方法在应对标签噪声与多视角信息融合方面均表现出优越性.

关键词

多视角学习 / 模糊聚类 / 标签松弛 / 机器学习