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
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
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
本文提出了一种名为 MLC 的噪声容忍框架,它可以通过调整双网络和校正标签分布来有效地抵抗噪声标签,从而利用噪声数据提高网络的准确性,泛化能力和鲁棒性。
该研究提出了一种数据高效的方法,称为 “可信协同学习”(TCL),在多个嘈杂标注器的情况下从多个受信任的数据中学习深度分类器。这种方法通过联合学习数据分类器和标签聚合器来有效地使用受信任的数据生成可信软标签(称为共标签)。
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
本文提出了一种基于对比学习的新的损失函数 TCL,该函数能够推广到批处理的多个正负样本,同时提供了参数来调整梯度响应,优化了难例的响应,理论和实验都证明了它的效果优于 SupCon
May, 2023
本文提出一种新的对抗噪声视图具有鲁棒性的对比损失函数,它在图像、视频和图形上的对比学习基准测试中提供了一致的改进,并且是模态无关和与 InfoNCE 损失的一个简单替代方法。
Jan, 2022
本论文讨论如何提高基于深度神经网络分类器在训练数据中鲁棒性以解决标签噪声问题,通过代替分类交叉熵损失为适应标签噪声的损失函数,或者改变训练样本的权重来缓解标签噪声的影响,并介绍一种基于对比学习技术来初始化有监督鲁棒方法以解决高标签噪声下的图像分类问题的方法。
Apr, 2021
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