多标签分类任务ML-Decoder论文复现

[zhangyubo0722]

背景

经过前沿技术调研与讨论，我们最终确定了ML-Decoder任务，该论文提出的可扩展通用分类头在多标签分类、zero-sho以及单标签分类任务上表现出很好的效果。本任务的完成可以扩充PaddleClas多标签分类相关视觉任务，并有众多应用场景。
作者团队基于不同数据集验证不同任务的性能，充分证明ML-Decoder分类头的性能以及泛用性。
现已有开源代码并提供了预训练权重，该论文需复现出resnet101的多标签分类部分，训练指标对齐。

解决步骤

1. 根据开源代码进行网络结构、评估指标转换。代码链接：https://github.com/Alibaba-MIIL/ML_Decoder
2. 结合论文复现指南，对多标签分类部分进行前反向对齐等操作，并复现多标签分类指标，ResNet101训练精度达到论文Table.5中的mAP为87.1%，多标签分类训练方式可参考文档。

3. 参考PR提交规范提交代码PR到PaddleClas中。

数据集：MS-COCO