AAAIDec, 2022

截断 - 分离 - 对比：一种从错误标注视频中学习的框架

PDF
TL;DR本文提出了两种新的视频分析策略来处理噪声标签问题：一种基于特征的噪声标签检测轻量级通道选择方法，另一种构建干净与噪声实例关系以规范化模型训练的对比策略。实验结果表明，我们的方法在三个基准测试集上都优于现有基线，在 Mini-Kinetics 数据集上通过噪声对称 80％测试，噪声检测 F1-score 的提高率达到了 0.4％，分类准确度提高了 5％以上。
noisy labelvideo analysisfeature-based label noise detectioncontrastive learningvideo classification
发现论文，激发创造
  • 基于通道的对比学习用于噪声标签学习

    通过通道对比学习方法，本文提出了一种新的学习方法，用于从嘈杂标签中提取关键特征，辨别真实的类别，并在多个基准数据集上验证了其卓越性能。

    Aug, 2023

  • 带有嘈杂标签的细粒度分类

    本研究旨在寻找一种有效的解决方法，以应对在细粒度数据集上进行嘈杂标签学习 (LNL-FG) 的挑战，为此，研究人员提出了一种称为随机容限监督对比学习 (SNSCL) 的新框架，旨在通过促进可辨别表达形式来解决标签噪音问题。该方法综合了加权机制与避免插入噪声标签的动量联想队列，以及一种从生成的分布中对特征嵌入进行采样的高效随机模块。大量实验表明了 SNSCL 的有效性。

    Mar, 2023

  • 自监督预训练：对比学习与差异学习在噪声标签下的比较

    提出了一种名为 Contrast to Divide (C2D) 的简单框架，使用自我监督的预训练来解决标签噪声的问题，并改善特征提取质量。实验结果表明，与现有方法相比，在高噪声环境下，C2D 对 CIFAR-100 提高了超过 27%，在现实噪声环境下，C2D 的性能优于之前的方法。

    Mar, 2021

  • 噪声标签识别和矫正的邻域集合估计

    提出了邻域集合估计方法来弥合学习过程中可能产生的噪声标签带来的负面效果，实现清除嘈杂数据中的噪声标签，提取尽可能多的干净样本，从而提高模型性能，并用辅助技术来进一步优化模型。

    Aug, 2022

  • 使用协作样本选择和对比半监督学习来学习带噪标签的内容

    利用 CLIP 模型的协作样本选择及预训练，并通过对 prompt 的微调以及协同训练 DNN 分类器，解决在学习有噪声标签的过程中由于样本选择错误累积导致的 DNN 训练偏见和泛化性能问题。

    Oct, 2023

  • 带有噪声标签的双对比学习

    本文提出了 TCL 模型，通过 Gaussian mixture model 等技术处理嘈杂标注数据，采用 mixup 和 contrastive learning 等方式学习鲁棒性特征表示和分类，实验结果显示 TCL 在多个数据集上具有优越性能。

    Mar, 2023

  • NLNL: 噪声标签的负学习

    本文提出了一种名为 “SelNLPL” 的优化 CNNs 训练方法，在使用负训练法（NL）的基础上，选择性地使用正训练法（PL）来训练低噪声数据，从而实现对有噪声数据分类的准确性优化。

    Aug, 2019

  • LNL+K: 噪声标签学习与噪声源概率分布知识

    本文介绍了一种新的学习任务 —— 带有噪声标签和噪声源分布知识的学习，并探索了几种方法，将噪声源知识整合到最先进的 LNL 方法中，在三个不同的数据集和三种噪声类型上报告了与未经调整的方法相比提高 5-15% 的性能，突出了直接探究 LNL + K 任务的重要性。

    Jun, 2023

  • PLReMix：用伪标签松弛对抗噪音标签的对比度表示学习

    我们提出了一种端到端的 PLReMix 框架，通过引入伪标签松弛的对比损失来避免复杂的训练流程，解决了 Contrastive Representation Learning（CRL）与有监督学习的优化冲突，并采用二维高斯混合模型（GMM）同时利用语义信息和模型输出来区分干净和噪声样本。

    Feb, 2024

  • 带类别条件对比学习的传递式 CLIP

    提出一种新的从头开始学习带有嘈杂标签的分类网络的框架：Transductive CLIP，包含条件对比学习机制和集成标签策略，能够有效地减少 CLIP 模型嘈杂标签的影响，实验结果表明其在多个基准数据集上显著优于其他最先进的方法。

    Jun, 2022