Qu’est-ce que la classification d’images multi-étiquettes ?
La classification d’images multi-étiquettes attribue à une image toutes les étiquettes applicables d’un ensemble défini. Contrairement à la classification à étiquette unique, elle ne suppose pas que ses classes soient mutuellement exclusives.
Fonctionnement de la classification d’images multi-étiquettes
Un classifieur multi-étiquettes modélise chaque étiquette comme indépendamment applicable plutôt que d’imposer un seul gagnant parmi un ensemble de classes mutuellement exclusives. Le modèle produit un score pour chaque candidat, et des seuils propres à l’application convertissent ces scores en un ensemble d’étiquettes attribuées. Les données d’entraînement ont donc besoin d’annotations positives pour tous les concepts pertinents et d’une politique pour les étiquettes inconnues ou omises. Dans une chaîne de traitement multimédia, les résultats peuvent enrichir la recherche et le routage, mais l’étalonnage et la gouvernance de la taxonomie déterminent si les métadonnées sont fiables.
Points clés
- Les sorties sigmoïdes avec une fonction de perte binaire par étiquette sont courantes, car plusieurs classes peuvent être positives simultanément ; une fonction softmax met au contraire les scores en concurrence.
- Des seuils propres à chaque classe peuvent être plus performants qu’un seuil global unique lorsque les étiquettes diffèrent par leur prévalence, le coût des erreurs ou l’étalonnage des scores.
- Une étiquette non renseignée n’est pas toujours un vrai négatif : une annotation incomplète peut apprendre à un modèle à écarter des concepts valides et fausser les mesures de précision.
Quand la classification d’images multi-étiquettes est utile
Choisissez la classification multi-étiquettes lorsqu’une ressource peut représenter simultanément des attributs tels que plage, coucher de soleil, personnes et extérieur. Les seuils doivent équilibrer les étiquettes manquées et les faux positifs excessifs.