Towards Real-World Stickers Use: A New Dataset for Multi-Tag Sticker Recognition

在现实世界的对话中，贴纸的多样性和歧义性常常会因上下文而导致不同的解释，需要全面理解贴纸并支持多标记。为了解决这个挑战，我们介绍了StickerTAG，这是第一个多标记贴纸数据集，包括一个收集的标记集，共461个标记和13,571个贴纸-标记对，旨在提供对贴纸的更深入理解。由于贴纸标记通常是细粒度的属性感知，因此为贴纸识别多个标记变得特别具有挑战性。因此，我们提出了一种关注属性的提示学习方法，即Att$^2$PL，以细粒度的方式捕捉贴纸的信息特征，以更好地区分标记。具体来说，我们首先应用属性导向描述生成（ADG）模块从四个属性中获取贴纸的描述。然后，设计了一个局部重新关注（LoR）模块来感知局部信息的重要性。最后，我们使用提示学习来引导识别过程，并采用置信度惩罚优化来惩罚置信度输出分布。大量实验表明，我们的方法在所有常用指标上都取得了令人鼓舞的结果。

论文旨在解决贴纸理解中的多标签识别问题，提出了一个新的数据集StickerTAG和一种Att^2PL方法。

论文提出了一种基于注意力机制和属性导向的提示学习方法，用于更好地区分贴纸的标签。

论文提出了一个新的多标签贴纸数据集StickerTAG，包含13,571个贴纸-标签对和461个标签。实验结果表明，Att^2PL方法在所有常用指标上都取得了鼓舞人心的结果。

最近的相关研究主要集中在多标签识别方面，例如Multi-label Classification with Deep Learning等。