Статья посвящена улучшению результатов многометочной классификации изображений за счет улучшения сходимости триплетной функции с гибкой границей. Для этого проанализированы модификации самой функции потерь и процесса обучения, которые помогают стабилизировать градиентный спуск и достичь минимума функции потерь. Из них были выявлены перспективные гипотезы для экспериментальной проверки: заимствование способа расчета расстояния из фокальной функций потерь, замена линейного роста параметра границы между классами на логарифмический, балансировка классов в батче и корректировка его размера. Предлагаемые методы улучшения сходимости были проверены на открытом датасете CIFAR с иерархическими метками. Эффективность выбранных методов была подтверждена: каждое из изменений увеличивает точность итоговой модели на 2–4 %, при внедрении всех изменений точность классификации возросла на 10 % для классов нижнего уровня и 12 % для классов верхнего уровня. Предлагаемые методы были также проверены на устойчивость к ошибкам в датасете. Было показано, что метод улучшения сходимости за счет балансировки классов в батче чувствителен к ошибкам, поэтому не рекомендован к использованию для зашумленных датасетов.
1. Петрова Я.С. Методика обучения классификаторов изображений с использованием дополнительных меток. Моделирование, оптимизация и информационные технологии. 2025;13(2). https://doi.org/10.26102/2310-6018/2025.49.2.041
2. Deng W., Zhang J., Zhang P., Yao Y., Gao H., Zhang Y. Hyper-Label-Graph: Modeling Branch-Level Dependencies of Labels for Hierarchical Multi-Label Text Classification. In: ACML 2023: Asian Conference on Machine Learning, 11–14 November 2023, Istanbul, Turkey. PMLR; 2023. P. 279–294.
3. Сулоев К.К., Шешкус А.В., Арлазаров В.Л. Сферические ограничения в триплетной функции потерь. Труды Института системного анализа Российской академии наук. 2023;73(2):50–58. https://doi.org/10.14357/20790279230205
4. Zhang Sh., Zhang Q., Wei X., Zhang Y., Xia Y. Person Re-Identification with Triplet Focal Loss. IEEE Access. 2018;6:78092–78099. https://doi.org/10.1109/ACCESS.2018.2884743
5. Xuan H., Stylianou A., Pless R. Improved Embeddings with Easy Positive Triplet Mining. In: 2020 IEEE Winter Conference on Applications of Computer Vision (WACV), 01–05 March 2020, Snowmass, CO, USA. IEEE; 2020. P. 2463–2471. https://doi.org/10.1109/WACV45572.2020.9093432
6. Suyal H., Shivhare Sh.N., Shrivastava G., Singh R., Singhal A. IA-KNNR: A Novel Imbalance-Aware Approach for Handling Multi-Label Class Imbalance Problem. IEEE Access. 2025;13:119999–120017. https://doi.org/10.1109/ACCESS.2025.3586146
7. Liu W., Wang H., Shen X., Tsang I.W. The Emerging Trends of Multi-Label Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021;44(11):7955–7974. https://doi.org/10.1109/TPAMI.2021.3119334
8. Sumbul G., Ravanbakhsh M., Demir B. Informative and Representative Triplet Selection for Multilabel Remote Sensing Image Retrieval. IEEE Transactions on Geoscience and Remote Sensing. 2021;60. https://doi.org/10.1109/TGRS.2021.3124326
9. Wang Ch., Liu F., Chen Y., Frazer H., Carneiro G. Cross- and Intra-Image Prototypical Learning for Multi-Label Disease Diagnosis and Interpretation. IEEE Transactions on Medical Imaging. 2025;44(6):2568–2580. https://doi.org/10.1109/TMI.2025.3541830
10. Wang X., Han X., Huang W., Dong D., Scott M.R. Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 15–20 June 2019, Long Beach, CA, USA. IEEE; 2019. P. 5017–5025. https://doi.org/10.1109/CVPR.2019.00516
11. Shao R., Xu N., Geng X. Multi-Label Learning with Label Enhancement. In: 2018 IEEE International Conference on Data Mining (ICDM), 17–20 November 2018, Singapore. IEEE; 2018. P. 437–446. https://doi.org/10.1109/ICDM.2018.00059
12. Kharbanda S., Gupta D., K G., et al. UniDEC: Unified Dual Encoder and Classifier Training for Extreme Multi-Label Classification. In: WWW '25: Proceedings of the ACM on Web Conference 2025, 28 April – 02 May 2025, Sydney, Australia. New York: Association for Computing Machinery; 2025. P. 4124–4133. https://doi.org/10.1145/3696410.37147
13. Csányi G.M., Vági R., Megyeri A., et al. Can Triplet Loss Be Used for Multi-Label Few-Shot Classification? A Case Study. Information. 2023;14(10). https://doi.org/10.3390/info14100520
14. Kalra D.S., Barkeshli M. Why Warmup the Learning Rate? Underlying Mechanisms and Improvements. In: NeurIPS 2024: Advances in Neural Information Processing Systems 38: Annual Conference on Neural Information Processing Systems 2024, 10–15 December 2024, Vancouver, BC, Canada. 2024. P. 111760–111801. https://doi.org/10.52202/079017-3549
