Sep, 2023

利用有噪声标签进行人类跌倒事件分类的学习：与三重网络的联合协作训练

PDF
TL;DR通过使用骨骼数据和采用一种被称为 JoCoT 的方法，提出了一种解决带有噪声标签学习问题的简单而有效的方法，该方法在高噪声情况下比最先进的方法的性能提高了 5.17％和 3.35％，平均对称和双向错误噪声。
fall events classificationdeep learningnoisy label learninghuman skeleton datajoint cooperative training with trinity networks (jocot)
发现论文，激发创造
  • 学习噪声标签的联合优化框架

    本文提出了一种利用联合优化框架来学习深度神经网络参数和估算真实标签的方法，以克服在噪声标签数据集上进行训练导致性能下降的问题，实验结果表明该方法在解决 CIFAR-10 噪声数据集和 Clothing1M 数据集分类问题上优于其他最先进的方法。

    Mar, 2018

  • 通过一致性共训练的方法对抗含噪标签的问题及其联合正则化方法

    本文提出了一种名为 JoCoR 的鲁棒学习范例，该范例旨在通过 Co-Regularization 减少两个网络在训练期间的多样性，实验证明该方法在学习具有噪声标签的数据中优于当前许多最先进的方法。

    Mar, 2020

  • 共同教学：针对极度嘈杂标签的深度神经网络的强健训练

    本文提出了一种新的深度学习范式 Co-Teaching，它通过同时运用两个神经网络，自我纠正，相互辅助学习，从而提高了模型在嘈杂标签下的稳健性。

    Apr, 2018

  • 通过合作多智能体的联合实体和关系抽取重新标记噪声

    本文提出了一种联合实体抽取和关系抽取方法，通过重新标注含有噪声数据实例，并运用一个包含多个协同智能体的协同组来计算每个实例的置信度评分，最终利用置信度来调整抽取器的训练损失，以解决由于训练集和测试集不一致以及错误传播而导致的标签偏移问题。实验结果表明，所提出的方法优于现有实体和关系抽取方法。

    Apr, 2020

  • 基于人体骨骼数据的两阶段坠落事件分类

    本研究利用人体骨架数据进行跌倒事件的多类别分类，其中采用了深度神经网络模型，并对提出的方法进行了实验验证。

    Aug, 2022

  • 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

  • 噪声容忍互相学习中的一致或不一致？

    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。

    Mar, 2022

  • 从含有噪声标签的数据中学习如何学习

    本文提出一种噪声容忍的训练算法，其中在传统梯度更新之前进行元学习更新来模拟实际训练。通过生成合成噪声标签进行训练，该元学习方法训练模型，以便在使用每个设置的合成噪声标签进行一次梯度更新后，模型不会过度拟合特定的噪声，从而提高深度神经网络的性能。

    Dec, 2018

  • 标签噪声下的高效学习：噪声并发训练

    该论文提出通过使用两个 CNN 模型互相学习的 Noisy Concurrent Training 方法，以在标签噪音的情况下避免模型记忆随机标签并提高泛化性能，并运用目标可变性技术进行正则化。在仿真和真实世界的嘈杂数据集上展示了该方法的有效性。

    Sep, 2020

  • 学习噪声标签的模型和数据一致性

    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。

    Dec, 2022