Nov, 2020

EvidentialMix: 结合开放集和封闭集噪声标签的学习

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 使用开放式噪声标签的迭代学习

    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。

    Mar, 2018

  • 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

  • DivideMix: 以半监督的方式学习有噪声标签

    提出了一种名为 DivideMix 的新型深度学习框架，通过利用半监督学习技术来将训练数据动态分成一个包含清晰样本的标记集合和一个包含噪声样本的未标记集合，并在半监督的方式下同时对标记与未标记数据进行训练，使用 MixMatch 策略在标记和未标记样本上分别执行标记共修整和标记共猜测以进行标签协同改进。在多个基准数据集上的实验显示出 DivideMix 比现有最先进的方法具有显着的改进。

    Feb, 2020

  • 通过温和的混合增强对开放式输入的鲁棒性

    本文提出了一种新的正则化方法，可应用于现有的卷积神经网络架构中，以提高开放集鲁棒性，实现了最先进的开放集分类基线结果，并轻松扩展到大规模开放集分类问题。

    Sep, 2020

  • 释放开放集嘈杂样本潜力：针对医学图像分类的标签噪声

    在医学图像分类方面，为解决闭集和开放集标签噪音的问题，我们提出了一个扩展噪音鲁棒对比和开放集特征增强（ENCOFA）框架，包括扩展噪音鲁棒有监督对比（ENSC）损失和开放集特征增强（OSFeatAug）模块，针对开放集噪音样本的识别和特征提取问题进行改进，实验结果表明 ENCOFA 在噪音标签处理方面优于传统方法，并有效地利用开放集噪音样本对抗标签噪音。

    Jun, 2024

  • 带混合闭合集和开放集噪声标签的扩展 T 学习

    该研究提出了一种新的转移矩阵（cluster-dependent extended transition matrix）来更好地建模于混合 closed-set 和 open-set 的误差噪声（mixed label noise），并通过偏差不大的方法（extended T-estimator）来估计这个矩阵，实验证明这种方法在噪声建模方面表现更优于现有的方法。

    Dec, 2020

  • Open-Sampling：探索越界数据以重新平衡长尾数据集

    该论文提出了一种基于开集样本和贝叶斯理论的数据重平衡方法，命名为 Open-sampling，它可以提高神经网络的性能和学习可分离的表示，并且在实验中优于现有的数据重平衡方法和最先进的方法。

    Jun, 2022

  • 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

  • 从严重标签噪声中提炼有效的监督

    该论文提出了一种全新的训练深度神经网络的方法，在标签噪音的情况下拥有高稳健性，通过利用小的可信集合来估计样本权重和伪标签以重复使用它们进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上取得了最新的最优表现。

    Oct, 2019