多标签分类旨在为单一样本预测一个标签集合,是机器学习中被广泛研究和重点关注的一类问题。多标签分类在真实世界有许多典型的应用,包括图像标注、用户画像、文本分类和音乐/电影分类等。尽管一些有效的算法已经被逐渐提出来,但不管是传统多标签分类算法还是深度多标签分类模型都缺乏较好的可解释性。此外,多标签分类仍然存在以下关键难点,即:如何有效减小庞大的标签输出空间、如何显式建模视觉特征与语义标签的对应关系和如何准确识别不同尺寸目标类等。为此,本文围绕可解释性多标签分类这一主题,并针对上述三大难点分别从显式的地标选择、显式而准确的标签相关深度特征和多尺度跨模态特征融合角度提出了三个可解释性的多标签分类模型。其中第一个模型是基于传统多标签算法并在图像、文本和音乐等多个数据域上验证其有效性,第二个模型和第三个模型则是基于深度学习框架并对输入图像构建一个端到端的多标签分类网络。本文所提出模型的主要贡献如下:1、基于易测地标的多标签分类,该模型基于地标选择的策略,通过构造两个关键性矩阵,即地标选择矩阵和标签相关性矩阵,从而将显式的地标选择、地标预测和全标签恢复联合构建成一个统一的框架,因此保证了选择的地标标签不仅具有代表性且本身容易被预测出来,增强了模型的可解释性。2、基于标签相关深度特征的多标签分类,该模型通过在图像视觉特征和标签语义嵌入之间学习多个标签相关的深度特征映射,从而在局部视觉区域和目标类别之间建立起显式的、准确的对应关系,提高了特征学习的有效性并且增强了模型的可解释性。此外,提出了两种变体图卷积网络来捕获标签之间复杂的依赖关系。3、基于多尺度跨模态特征融合的多标签分类,该模型针对现有方法无法准确识别较小尺寸目标类的问题,通过引入空间注意力模块并将图像多尺度特征与标签语义重嵌入进行跨模态融合,使得模型能更准确地定位和识别不同尺寸的目标类,增强了模型的鲁棒性和可解释性。