Nov, 2017

利用质量嵌入的有噪声图像标签深度学习

PDF
TL;DR本文提出了一种质量嵌入模型，通过将质量变量嵌入到不同的子空间中，有效减小了噪声对标签的影响，并提出了一个对抗加性噪声网络模型（CAN）用于训练分类器，现有实验数据显示 CAN 在多种噪声图像数据集上优于深度学习等现有方法。
noisy image datasetslabel noisequality embedding modelcontrastive-additive noise networkdeep learning approaches
发现论文，激发创造
  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 利用特征嵌入实现对带有噪声标签的坚韧学习

    本文提出了一种基于特征嵌入的深度学习带标签噪声的方法（LEND），该方法能利用嵌入特征的内在韧性来有效减少误标签，采用深度学习进行训练并获得鲁棒性分类器。

    Jun, 2022

  • 基于对比的深度嵌入对抗病理图像标签噪声鲁棒性分类

    深度学习在医学图像分类方面取得了显著的进展，然而在组织病理学图像分类中，噪声标签表示了一个关键挑战，导致深度学习模型性能严重下降。本研究通过对多个数据集进行彻底的经验分析，展示了基于自监督对比训练方式训练的基础模型所提取出的嵌入向量对标签噪声具有较强的鲁棒性。与非对比学习方法以及常用的噪声鲁棒方法相比，使用这种嵌入向量训练能显著提高标签噪声鲁棒性，充分证明对比学习在有效降低标签噪声挑战方面的卓越性能。

    Apr, 2024

  • 从有噪标签的数据中进行深度自学习

    提出了一种新的深度自学习框架，用于在真实嘈杂的数据集上训练鲁棒性网络，无需额外的监督，并且与大多数现有方法不同，它不依赖于嘈杂标签分布的任何假设，具有更好的性能。

    Aug, 2019

  • 噪声标签学习中的表征与分类器解耦

    本文提出了一种名为 REED 的新方法来解决卷积神经网络在存在噪声标签时训练的挑战，该方法通过无监督学习获取表示，通过分类器的半监督自训练解决噪声标签学习问题，并联合半监督重新训练表示和分类器，实现了对噪声标签的鲁棒性，大量实验结果表明，该方法在高噪声水平下可以显著击败现有的最先进方法。

    Nov, 2020

  • 分类中的噪音标签处理：一项调查

    对于计算机视觉任务尤其是图像分类任务，本综述全面回顾了应对噪声标签的不同深度学习方法的演变，研究了不同的噪声模式，并提出了一种由现实世界数据引导的算法来生成合成标签噪声模式，以形成一个新的以真实世界数据为指导的合成基准，并在该基准上评估了一些典型的噪声鲁棒方法。

    Apr, 2024

  • 深度学习下存在噪声标签的图像分类：综述

    本文介紹關於使用深度學習算法處理帶有噪聲標籤的問題，針對噪聲建立噪聲模型和使用魯棒損失、正則化等方法建立魯棒算法兩種子群進行了綜述。

    Dec, 2019

  • 追求基础事实：在注释器噪声存在的情况下学习自信模型并估计不确定性

    本文提出了一种与多个标注者的混淆有关的置信模型学习方法，通过对分类器网络添加熵或基于信息的正则化器来鲁棒地估计给定仅含有噪声标签的预测，并在 MNIST、CIFAR-10 和 FMNIST 等数据集上进行了实验，实验结果表明该方法在各项指标上均优于或与其他现有方法表现相当。

    Jan, 2023

  • 使用有噪声的标签训练卷积神经网络

    本论文探究了在实际情况中，数据标注不可避免地有可能存在噪声标签的情况下，利用引入噪声层的方法，在 Convolutional Network 模型上进行判别性训练以获得更好的性能。同时在多个数据集上进行了实验，包括在 ImageNet 分类基准测试上的大规模试验。

    Jun, 2014

  • 从含有噪声标签的数据中学习如何学习

    本文提出一种噪声容忍的训练算法，其中在传统梯度更新之前进行元学习更新来模拟实际训练。通过生成合成噪声标签进行训练，该元学习方法训练模型，以便在使用每个设置的合成噪声标签进行一次梯度更新后，模型不会过度拟合特定的噪声，从而提高深度神经网络的性能。

    Dec, 2018