CVPRJun, 2019

使用自组织记忆模块学习网络数据

PDF
TL;DR本文提出了一种新颖的方法，通过多实例学习框架将同一类别的 ROIs (即图像及其区域提议) 分组，并基于其最近集群的代表性 / 差异性分数分配不同的权重来处理噪声问题，包括标签噪声和背景噪声，并将记忆模块与分类模块自然集成在一起，取得了令人满意的性能。
web datalabel noisebackground noisemulti-instance learningmemory module
发现论文，激发创造
  • 群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

    本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

    Nov, 2016

  • 从全网图片 - 文本数据中检索来提高图像识别

    研究使用检索增强模型来提高计算机视觉任务的识别能力，引入了一种基于注意力机制的记忆模块，学习从外部记忆集合中检索出的每个例子的重要性，证明了使用 10 亿个图像 - 文本对的大规模记忆数据集的好处，并在 ImageNet-LT，Places-LT 和 Webvision 数据集中取得了最先进的准确性。

    Apr, 2023

  • WebSeg：从网络搜索中学习语义分割

    本文提出一种能够无需依赖显式用户注释的 Flickr 图像，通过利用一些低级线索（如显著性、边缘等）生成代理标签，并使用在线标签噪声过滤辅助模块来帮助协助分割网络学习更干净的代理注释进行语义分割。在 PASCAL VOC 2012 语义分割基准测试中，该算法表现出色，WebSeg (mIoU = 57.0%) 和弱监督 (mIoU = 63.3%) 的设置。

    Mar, 2018

  • 自适应概念学习的 Web 图像校正自组织映射

    本文提出了一种从嘈杂的 Web 图像搜索结果中自动学习概念的方法，旨在通过发现子集间共同特征并消除无关实例的方法，基于弱标签数据集学习更高层次的概念，并提出了一种名为 Rectifying Self Organizing Maps (RSOM) 的聚类和离群点检测方法。该方法在学习低级别概念的任务上优于现有研究，而且在学习高级别概念方面也极具竞争力，并且能够利用现有资源在大规模上无监督地工作。

    Dec, 2013

  • 基于视觉记忆的机器人有趣度无监督在线学习

    提出了一种基于在线学习的方法，该方法使用翻译不变的视觉记忆和三阶段架构以实现对环境的快速适应并在机器人探索方案中实现与监督方法相当的性能，预计在机器人探索任务中发挥重要作用。

    Nov, 2021

  • 对含噪网络数据的类别级监督学习

    本文提出了一种利用变分自编码器（VAE）和类别级别监督来处理网络数据的方法，并在三个基准数据集上进行了实验证明其有效性。

    Mar, 2018

  • CurriculumNet: 大规模网络图像弱监督学习

    该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

    Aug, 2018

  • 基于数据驱动的元集合细粒度视觉分类

    通过学习元数据集并应用数据驱动的元集合方法，我们可以解决使用网络图像进行细粒度图像识别时带有标签噪声的问题，并且相比于现有噪声鲁棒性方法，我们的方法要优越得多。

    Aug, 2020

  • 从网络数据中学习：无监督目标定位的益处

    本文研究了利用易获取的网络数据学习模型来辅助有标签数据集的细粒度图像分类。通过对 web 数据的处理包括对象定位和选择方法，本研究在降低数据分布差异的同时，优化了 CNNs 的训练，取得了良好的表现。

    Dec, 2018

  • MILD: 建模实例学习动态以应对带噪声标签的学习

    本研究提出了一种基于韦布尔混合模型的迭代选择方法来识别干净数据，从而减少网络记忆对虚假标签数据的影响，在模型训练中使用最终的干净子集。

    Jun, 2023