CVPRMar, 2018

使用开放式噪声标签的迭代学习

PDF
TL;DR本研究提出了一种适用于具有无法识别真实类别的嘈杂标签开放集问题的卷积神经网络（CNN）训练的新的迭代学习框架，包括噪声标签检测和清晰标签的权重设计。经过实验证明，该模型能够在高比例的开放集和闭集噪声标签情况下鲁棒地训练 CNNs。
convolutional neural networksnoisy labelsiterative learning frameworksiamese networkclean labels
发现论文，激发创造
  • EvidentialMix: 结合开放集和封闭集噪声标签的学习

    本研究研究了一个新的嘈杂标签问题变形，将开放式和封闭式嘈杂标签结合在一起，并介绍了一个基准评估来评估此设置下训练算法的性能。我们提出了一种新的算法，称为 EvidentialMix，并将其与已有的封闭式和开放式噪声分类算法进行比较。实验结果表明我们的方法产生了优秀的分类结果和更好的特征表示。

    Nov, 2020

  • 开放式标签噪声可以提高对内在标签噪声的稳健性

    本文在弱监督学习中提出了使用 Open-set 动态噪声标签的正则化方法 ODNL，使深度神经网络拥有更高的容错能力，并且能够在标签噪声下取得更好的 Out-of-Distribution 检测表现。

    Jun, 2021

  • 打开开放集的力量：开放集嘈杂标签学习的新视角

    本文提出了一种新的 CECL 对比学习方法，通过将一些 open-set 样本合并入 closed-set 类以提高准确率，同时将其他 open-set 样本作为界限以提高代表性，来处理混合的 label 噪音，取得了优于现有方法的实验效果。

    May, 2023

  • 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

  • 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

  • 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

  • 基于半监督两阶段方法的噪声标签学习

    本研究提出了一种应对嘈杂标签的无监督半监督深度神经网络学习框架，通过在噪声图像标注中识别出标签准确度较高的部分数据，并利用半监督学习方式训练深度神经网络以更好地利用整个数据集。

    Feb, 2018

  • 在最小监督下从嘈杂大规模数据集中学习

    本文介绍了一种使用大型包含嘈杂注释图像和少量清洁注释图像联合进行学习的方法，它由一个多任务网络组成，可以在清洁注释的帮助下减少大型数据集中的噪音，并在清洁数据集和带有降噪的完整数据集上进行微调学习，其结果比直接微调方法在 Open Image 数据集中的所有主要类别中均表现优异，特别适用于具有 20-80％注释噪音的大量类别。

    Jan, 2017

  • 基于不确定性的噪声图像标签检测和重新标记

    本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法，该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。

    May, 2019

  • 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