CVPRMar, 2022

UNICON: 通过均匀选择和对比学习抵抗标签噪声

PDF
TL;DR该论文提出了一种名为 UNICON 的简单而有效的样本选择方法，使用 Jensen-Shannon 散度的均匀选择机制来应对高标签噪声问题，并且在多个基准数据集上进行了广泛的实验，证明了 UNICON 的有效性。
supervised deep learninglabel noisesample selection mechanismclass imbalanceunicon
发现论文，激发创造
  • 使用一般替代模型对样本选择进行抵抗标签噪声

    利用视觉 - 语言替代模型 CLIP 自动过滤噪声样本，并设计了一种适应性边界损失来规范由 CLIP 引入的选择偏差，从而提供对标签噪声的鲁棒性。在真实和合成噪声数据集上验证了我们提出的方法的有效性。

    Oct, 2023

  • 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

  • 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

  • SSR: 学习未知标签噪声的高效稳健框架

    本文提出了一个基于 KNN 分类和参数化模型分类相结合的方法，命名为 Sample Selection and Relabelling（SSR），用于解决存在未知噪声数据的学习问题（Learning with Unknown Label Noise），该方法在 CIFAR10 / CIFAR100 以及 WebVision，Clothing1M 和 ANIMAL-10N 等真实世界噪声数据集上比以前的方法表现更好。

    Nov, 2021

  • Jo-SRC：一种对抗噪声标签的对比学习方法

    该论文提出了一种名为 Jo-SRC 的噪声鲁棒方法，结合了样本选择和模型正则化，采用对抗学习的方式训练网络并引入一致性正则化，以提高模型的泛化性能。

    Mar, 2021

  • 通过防止样本选择的偏差来学习不平衡有噪声数据

    提出了一种用于处理不平衡数据集中的噪声标签的简单而有效的方法，该方法基于类平衡的样本选择（CBS），结合置信度的样本增强（CSA），利用模型的训练动态纠正噪声样本的标签，并采用一致性正则化来提升模型性能。综合实验结果表明，我们的方法在不平衡情况下具有良好的效果和优越性。

    Feb, 2024

  • 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

  • 无监督数据增强的一致性训练

    通过使用先进的数据增强方法 RandAugment 和后向翻译来取代简单噪声操作，在大量无标签数据上进行一致性训练，从而在六种语言和三个视觉任务中带来了显著的改进，并在 CIFAR-10 数据集上超过了所有先前的方法，实现了错误率为 5.43，只使用了 250 个示例。

    Apr, 2019

  • 无偏监督对比学习

    本文提出了一种基于边界的理论框架，并推导出了一种新的有监督对比损失（epsilon-SupInfoNCE）和一种有效的去偏差正则化损失（FairKL），这些方法可以用于从偏差数据中学习无偏模型，并在多个偏差数据集上实现了最先进的性能。

    Nov, 2022

  • 揭示和克服监督对比学习中的标签噪音挑战

    我们提出了 D-SCL，这是一种新颖的去偏差的监督对比学习目标，旨在减少标记错误引入的偏差，并证明了 D-SCL 在各种视觉基准上稳定优于最先进的表示学习技术，提供了对标签错误的改进的鲁棒性。

    Nov, 2023