《基于标签感知图表示学习的多标签图像分类》框架图如下
动机 ：
1、词向量不能很好的表达多标签任务中的语义，应与标签共现结合（框架图）
2、之前的工作中，语义解耦以词向量作为输入，并且将视觉特征和标签投影到共同的
空间，效率和准确率都不高
主要贡献：
1、性能超过两篇2019年顶会的文章
2、语义交互模块使用一个GNN（建立在标签共现上）挖掘标签的关系，生成标签表示
3、语义解耦采用标签表示作为输入，并follow Chen等人，将标签投影到视觉特征空间
4、语义解耦操作分离出label-wise视觉特征，用另一个GNN探索视觉特征的关系
5、采用一组相互独立的分类器用于分类
主要技术：
1、Gated Graph Neural Networks
2、分布式DistributedDataParallel
3、混合精度计算apex
收获 ：经反复消融实验，发现影响性能的有以下几点：1、图片的插值函数；2、Batchsize；3、图片的扭曲增强；4、对于多块GPU，同步BatchNormalization；5、图片resize缩放的范围
如不能显示图片，使用如下方法：
在C:\Windows\System32\drivers\etc\hosts中加入：
# GitHub Start
140.82.113.3 github.com
140.82.114.20 gist.github.com
151.101.184.133 assets-cdn.github.com
151.101.184.133 raw.githubusercontent.com
151.101.184.133 gist.githubusercontent.com
151.101.184.133 cloud.githubusercontent.com
151.101.184.133 camo.githubusercontent.com
151.101.184.133 avatars0.githubusercontent.com
199.232.68.133 avatars0.githubusercontent.com
199.232.28.133 avatars1.githubusercontent.com
151.101.184.133 avatars1.githubusercontent.com
151.101.184.133 avatars2.githubusercontent.com
199.232.28.133 avatars2.githubusercontent.com
151.101.184.133 avatars3.githubusercontent.com
199.232.68.133 avatars3.githubusercontent.com
151.101.184.133 avatars4.githubusercontent.com
199.232.68.133 avatars4.githubusercontent.com
151.101.184.133 avatars5.githubusercontent.com
199.232.68.133 avatars5.githubusercontent.com
151.101.184.133 avatars6.githubusercontent.com
199.232.68.133 avatars6.githubusercontent.com
151.101.184.133 avatars7.githubusercontent.com
199.232.68.133 avatars7.githubusercontent.com
151.101.184.133 avatars8.githubusercontent.com
199.232.68.133 avatars8.githubusercontent.com
# GitHub End
来源：CSDN：https://blog.csdn.net/qq_38232598/article/details/91346392