弱标注图像数据集的联合推理与应用
在图像分析领域，对弱标注图像数据集进行有效处理一直是一个具有挑战性的问题。本文将详细介绍一种基于密集对应关系的联合推理方法，包括其在不同数据集上的表现、模型组件的作用、与现有技术的比较，以及在目标发现和分割方面的应用。
1. 数据集处理时间
在处理不同数据集时，系统的预处理和标注传播时间有所不同。对LMO数据集进行预处理（计算描述符和图像图）需要7小时，标注传播需要12小时；而在SUN数据集上，这两个时间分别为15小时和26小时。
2. SUN和LMO数据集的结果
- 标注结果展示：图8a展示了在SUN数据集上使用特定参数（rt = 0.5, rl = 0.05）的标注结果。所有展示的图像最初在数据集中都是未标注的，但系统成功推断出了大多数标签，并且标注与图像内容相符。
- 定量评估指标：为了定量评估结果，我们使用了多个指标，包括全局像素识别率r、类平均识别率Nr、标签推断的准确率P、召回率R，以及相应的无偏类平均指标NP和NR。
| 数据集 | 全局像素识别率r | 类平均识别率Nr | 准确率P | 类平均准确率NP | 召回率R | 类平均召回率NR |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| LMO | 63% | 30% | - | - | - | - |
| SUN | 33% | 19% | - | - | - | - |
从LMO数据集的混淆矩阵和每类识别率图（图9）可以看
