CVPRMar, 2023

带有嘈杂标签的细粒度分类

PDF
TL;DR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。
learning with noisy labelsfine-grained datasetssupervised contrastive learninglabel noisesnscl
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 截断 - 分离 - 对比：一种从错误标注视频中学习的框架

    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。

    Dec, 2022

  • 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

  • 带有噪声标签的选择性监督对比学习

    本文提出了一种选择性有监督对比学习（Sel-CL）方法，通过筛选可信样本减少噪声标签对表示学习的影响，改善只依赖高质量标注数据的有监督对比学习算法中噪声标签导致的泛化性能差的问题。实验证明该方法在多个噪声数据集上均具有鲁棒性且表现优于现有方法。

    Mar, 2022

  • CNLL：一种半监督的持续学习噪声标签方法

    本文旨在解决在线学习时遭遇的标签噪声问题，提出了一种简单有效、代价低廉的在线数据流净化技术，并通过半监督的微调方法使算法真正参与所有可用的样本，从而取得了在 MNIST、CIFAR10 和 CIFAR100 数据集上的 SOTA 性能。

    Apr, 2022

  • 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

  • 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