摘要
多标签图像分类（Multi-label Image Classification, MLIC）是一项基础且具有实际应用价值的任务，其目标是为一张图像分配多个可能的标签。近年来，众多基于深度卷积神经网络（CNN）的方法被提出，这些方法通过建模标签之间的相关性，以挖掘标签的语义信息并学习图像的语义表示。本文在这一研究方向上进一步推进，同时提升了标签相关性建模能力与语义表示学习效果。一方面，除了关注单个标签的局部语义外，本文提出进一步挖掘多个标签之间共享的全局语义信息；另一方面，现有方法主要在CNN的最后一个卷积层学习语义表示，然而已有研究表明，CNN不同层次的特征图捕捉了不同层级或尺度的视觉特征，且具有不同的判别能力。因此，本文提出在多个卷积层上联合学习语义表示。为此，本文设计了一种多层语义表示网络（Multi-layered Semantic Representation Network, MSRN）。该网络通过建模标签间的相关性，同时挖掘标签的局部与全局语义，并利用所获得的标签语义信息，通过注意力机制引导多层特征的语义表示学习。在VOC 2007、COCO、NUS-WIDE和Apparel四个主流基准数据集上的大量实验表明，所提出的MSRN在性能上优于当前最先进的模型，展现出较强的竞争力。