Caffe | 三种多标签训练策略

0.多标签问题

在诸多深度学习相关任务中，多标签学习方法被广泛应用，例如目标检测任务。如图所示，图片1中所包含的物体类别为1，其余四个数值则表示其位置坐标。图片2中的物体类别为2，其余四个数值同样用于描述其位置坐标。由此可见，即便一张图像中仅包含单一目标，该任务依然属于多标签学习范畴。

jpg 1 72 79 232 273
    0000002.jpg 2 67 59 155 161
    
    
      
      
    

此外，还存在一类多标签问题，其通过利用人脸所具备的特定属性来辅助完成人脸关键点定位任务，例如双眼、鼻尖以及两个嘴角等共计五个特征点。如图中所示的标签说明：首项为图像文件名称，第二与第三项则分别对应第一个特征点的坐标位置，依此类推，后续八个字段依次表示其余四个特征点相对于图像左上角的百分比坐标。而之后的字段则用于描述诸如是否佩戴帽子等附加属性，每一列对应一种属性状态，数值为1表示存在该属性，数值为0则表示不存在。此类问题同样属于多标签学习范畴。

    图片名    （距离左上角的位置 距离左上角的位置） 
    000002.jpg 0.264367816092 0.724137931034 0.425287356322 0.298850574713 0.758620689655 0.24137