ECCVAug, 2022

重新思考细粒度嘈杂人脸下的鲁棒表征学习

PDF
TL;DR本文提出了一种名为 Evolving Sub-centers Learning 的新方法，通过对大规模嘈杂人脸图像的潜在空间进行准确的描述，解决了算法在不同 N、K 和 C 下的灵活性带来的问题，并在合成嘈杂数据集上通过详细的消融研究证明了其显著的性能提升。
face recognitionnoisy facessub-centers learningfeature representationalgorithm flexibility
发现论文，激发创造
  • 噪声标签学习中的表征与分类器解耦

    本文提出了一种名为 REED 的新方法来解决卷积神经网络在存在噪声标签时训练的挑战，该方法通过无监督学习获取表示，通过分类器的半监督自训练解决噪声标签学习问题，并联合半监督重新训练表示和分类器，实现了对噪声标签的鲁棒性，大量实验结果表明，该方法在高噪声水平下可以显著击败现有的最先进方法。

    Nov, 2020

  • 优化子图聚类算法用于人脸聚类

    本文提出了一种高效的邻域感知子图调整方法，可以显著减少噪声并提高子图召回率，从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分，结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明，该方法在三个基准数据集上优于现有解决方案。

    Apr, 2023

  • 用于训练人脸识别 CNN 的噪声容忍模式

    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。

    Mar, 2019

  • 对抗噪声标签的稳健特征学习

    This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

    Jul, 2023

  • 利用野外未标记人脸聚类来提高人脸识别效果

    研究提出一种基于极值理论的新颖身份分离方法，作为一种超分布检测算法，大大减少了重叠身份标签噪声所导致的问题，通过对余弦损失的调节，给出了聚类不确定性的估计，实验结果表明，该方法在受控和实际环境下比监督基线方法都有更好的性能。

    Jul, 2020

  • 利用嵌入对受损图像数据集中的内部及外部噪声进行对比无监督特征聚类

    这篇研究使用无监督对比特征学习的方法来对网络图像进行检索，然后结合奇异谱嵌入和离群点敏感聚类来检测噪声和局外点，并训练噪声鲁棒的神经网络来纠正 ID 噪声和利用 OOD 样本进行引导对比学习，提高底层特征。

    Jul, 2022

  • 使用有噪标签的 FINE 样本学习

    提出了一种基于数据奇异值分解的噪声标签检测方法，即使用噪声数据与潜在表征之间的对齐度测量来过滤噪声实例，应用于半监督学习、噪声鲁棒性损失函数等方面，并在基准数据集上验证了其较基准算法更为优越的性能。

    Feb, 2021

  • 从众学习：消除注意力一致性对于有噪声标签的面部表情识别

    本文提出了一种新的方法，即 Erasing Attention Consistency (EAC) 来解决标签噪声问题，该方法利用人类面部图像的翻转语义一致性设计不平衡框架，并利用随机抹除输入图像和翻转注意力一致性来自动抑制噪声样本的干扰，从而显著优于现有的技术并且具有很好的泛化性能。

    Jul, 2022

  • 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

  • 使用软标签的合成样本减轻噪声监督

    通过使用混合模型从局部损失分布学习样本权重，我们提出了一种利用合成样本训练模型的框架来减轻噪音标签影响，并通过逐渐修正噪音标签估计软目标，得到了更为准确的近似真实标签和更加独立和清晰界定的聚类，实验证明我们的方法在两个基准数据集 (CIFAR-10 和 CIFAR-100) 及两个大规模真实世界数据集 (Clothing1M 和 Webvision) 上优于现有技术方法且具备可靠的学习表达能力。

    Jun, 2024