github：iTomxy/data/nuswideNUS-WIDE[1]是一个多标签（multi-label）数据集，26,9648个样本、81个类。从[1]下载几个文件：Groundtruth，label，解压后有AllLabels/和TrainTestLabels/两个目录，本篇只用前者。里面81文件对应81个类，文件名形如Labels_*.txt，里面都是26,9648行的0/1数据，表明

github：iTomxy/data/nuswideNUS-WIDE[1]是多标签数据集，看到几篇都是类似[1]的划分方式：每个类随机选100个造成queryset。感觉有些谜，问DCMH作者，见[3]。现在的策略是：按类来抽，保证每个类的样本数据，而且不放回，保证不重复。（莫非本来就是这个意思？）我还根据每个类的样本数，从少到多地选，虽然现在看来似乎没必要。用的数据也是DCMH作者提供的，见[3

个语句标注链接ESPGame多标签定义图像20,770images，268tags，诸如bed,lightman,music链接IAPRTC-12多标签定义图像19,452images,291tags链接NUS-WIDE

数据集我用的是经过整理了之后的NUS-WIDE数据集,下载地址为：https://download.csdn.net/do

并提供了本论文下载地址文章目录文献引用格式论文摘要跨模态检索定义研究现状跨模态检索主要方法子空间的方法基于深度学习的跨模态检索方法基于哈希变换的跨模态方法主题模型法跨模态检索数据集Wikipedia[46]数据集NUS-WIDE

CVPR2019的论文《LearningaDeepConvNetforMulti-labelClassificationwithPartialLabels》中看到labelnoisy这个概念，突然就想起自己处理NUS-WIDE