Dec, 2022

学习噪声标签的模型和数据一致性

HTML
PDF
TL;DR本文通过模型和数据维度尝试处理嘈杂标签学习中的误差积累问题。引入均值点集成方法来利用更鲁棒的损失函数和未被选择样本中的更多信息从模型角度减少误差积累；从数据角度，选择翻转图像的损失值来代替原始图像的损失值选择小损失样本，以减少误差积累。在CIFAR-10、CIFAR-100和大规模Clothing1M上的广泛实验表明，我们的方法优于不同噪声水平的最先进的嘈杂标签学习方法，也可以与其他噪声标签学习方法无缝结合以进一步提高它们的性能并很好地推广给其他任务。
发现论文，激发创造
  • 基于半监督两阶段方法的噪声标签学习

    本研究提出了一种应对嘈杂标签的无监督半监督深度神经网络学习框架，通过在噪声图像标注中识别出标签准确度较高的部分数据，并利用半监督学习方式训练深度神经网络以更好地利用整个数据集。

    Feb, 2018

  • 深度神经网络中的噪声标签学习：综述

    本文综述了深度学习中标签噪声的学习问题，提供了62种最新的鲁棒训练方法，并系统性比较了六个评估指标。同时，分析了噪声估计率和评估方法，并提出了未来的几个研究方向。

    Jul, 2020

  • 学习噪声标签的增强策略

    本文研究了应对“学习有噪音标签”问题的多种数据增广策略，通过在 CIFAR-10、CIFAR-100 和 Clothing1M 等数据集上的实验，发现在 warm-up 阶段和学习阶段使用不同的增广策略能够最有效地提高 DNNs 的鲁棒性，同时也提出了一种关于样本筛选的增广方法，该方法在对真实噪音数据集进行处理时比其他基线方法取得了更好的结果。

    Mar, 2021

  • 不经过模型训练，检测数据标签是否已损坏

    提出了一种从更加数据中心的视角出发的培训自由的解决方法，以检测标签上的错误。通过邻域信息，提出了基于本地投票和基于排名的方法，从而在合成和实际噪声标签上进行实验证明了该方法的可行性和有效性。

    Oct, 2021

  • 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

  • BadLabel: 评估和增强标签噪音学习的强健视角

    本文介绍了一种新型标签噪声类型，称为BadLabel，旨在增强现有LNL算法的鲁棒性，并提出了一种基于对抗性的鲁棒LNL方法来解决BadLabel的问题，实验证明该方法能有效地提高模型的泛化性能。

    May, 2023

  • 基于噪声率估计的样本选择噪声标签学习

    提出一种能够有效提高 SOTA noisy-label learning 方法性能的新噪声标签学习图模型，该模型能够准确估计噪声率并用于训练过程的样本选择阶段。

    May, 2023

  • 带噪声标签的正则截断M估计学习

    本文提出了一种新的方法，使用截断的M估计器来自适应地选择小损失的样本，并减少噪声标签对其的影响，同时利用丢弃的大损失的样本来帮助泛化，理论上证明了该方法具有容忍标签噪声的特性，经验上，全面的实验结果表明该方法在多种基准模型上表现出色，并且对各种噪声类型和水平具有鲁棒性。

    Sep, 2023

  • 分类中的噪音标签处理：一项调查

    对于计算机视觉任务尤其是图像分类任务，本综述全面回顾了应对噪声标签的不同深度学习方法的演变，研究了不同的噪声模式，并提出了一种由现实世界数据引导的算法来生成合成标签噪声模式，以形成一个新的以真实世界数据为指导的合成基准，并在该基准上评估了一些典型的噪声鲁棒方法。

    Apr, 2024

  • 基于锚点幻像和难例标签校正的实例依赖噪声标签学习

    使用易样本辅助选择难样本进行标签纠正从而实现去噪标签学习，并且在Instance-Dependent噪声数据集上展示出比其他最先进方法更出色的性能。

    Jul, 2024