用于训练人脸识别 CNN 的噪声容忍模式

Mar, 2019

用于训练人脸识别 CNN 的噪声容忍模式

Noise-Tolerant Paradigm for Training Face Recognition CNNs

Wei Hu, Yangyu Huang, Fan Zhang, Ruirui Li

TL;DR使用加权样本的训练范式，基于角边缘损失函数训练深度卷积神经网络模型既可消除噪声数据效应，又可以在大规模人脸识别数据集上实现高精度识别。

Abstract

Benefit from large-scale training datasets, deep Convolutional Neural Networks(CNNs) have achieved impressive results in face recognition(FR). However, tremendous scale of datasets inevitably lead to noisy data, which obviously reduce the performance of the trained CNN models. Kicking

convolutional neural networks face recognition cleaning approach training paradigm angular margin

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

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

人脸识别中的魔鬼在于噪音

本研究通过清洗常用人脸数据库数据集，建立一组新的大规模 IMDb-Face 数据集，对 MegaFace 及 MS-Celeb-1M 数据集进行噪声分析，并探究标签噪声与人脸识别模型准确性之间的关联，提出改进数据准确性的方法，包括用户研究数据标注的影响。

Jul, 2018

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

人脸识别的 Web 规模训练

本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

Jun, 2014

深度学习对大规模标签噪声具有强韧性

本研究证明，基于深度神经网络的图像分类模型可以从含有数量远多于准确标签的训练数据中进行有效学习，表现出良好的测试性能提升，这种学习需要增加数据集大小作为代价。

May, 2017

噪声鲁棒图像分类的协同网络学习和标签纠正

提出了一个深度学习神经网络的标签检查和修正方法，该方法结合了小损失选择和噪声校正的思想，采用两个不同的网络来通过小损失选择方法训练，并根据两网络的分类误差和同意误差的评估来度量训练数据的置信度，在真实和人工数据集上测试表明该方法优于基准方法。

Feb, 2022

利用带噪标签训练的深度神经网络及其应用

本文针对网络训练时噪声标签的问题，提出了一种基于交叉验证和合作训练策略的解决方法，成功提高了深度神经网络在合成和实际噪音数据集下的泛化性能。

May, 2019

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

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