Feb, 2024

简化的平均与稳健的基于嘈杂部分标签的识别

PDF
TL;DRSARI is a minimalistic framework for noisy partial label learning that combines average-based and identification-based strategies, achieving state-of-the-art results in fine-grained classification and extreme noise settings.
partial label learningnoisy pllsaripseudo-labelingdeep neural network classifier
发现论文，激发创造
  • 部分标签学习中真实标签的逐步识别

    本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

    Feb, 2020

  • IRNet: 迭代细化网络用于噪声部分标签学习

    本文提出了一种名为 “Iterative Refinement Network” 的新型框架，旨在加强部分标签学习 (PLL) 中嘈杂样本的纠正，通过嘈杂样本检测和标签修正两个关键模块，确保框架的性能，将噪声 PLL 转换为传统 PLL，实验结果表明 IRNet 在噪声 PLL 上优于现有的最先进方法。

    Nov, 2022

  • 增强的噪声标签学习的自适应部分标签学习和负样本学习集成

    通过集成部分标签学习和负向学习来革新嘈杂标签学习，通过自适应地将标签空间分解为候选标签和补充标签，并引入困难清晰度和软清晰度两种适应性数据驱动的标签模糊辨别范式来提高模型的鲁棒性，并通过一致性正则化术语维持标签可靠性。与其他最先进方法相比，NPN 表现出了优越性能。

    Dec, 2023

  • SoLar: Sinkhorn 标签提炼在不平衡偏标签学习中的应用

    提出了基于最优传输的 SoLar 框架作为 PLL 问题的解决方案，该框架可用于弱监督情况下部分标签学习中的标签消岐，特别是在面对长尾分布和标签不完整情况下，该方法比先前的最新 PLL 方法表现出更高的性能。

    Sep, 2022

  • 基于递归分离的不可靠部分标签学习

    针对部分标签学习中标签可能不可靠的情况，提出了一种名为 UPLLRS 的两阶段框架，其中自适应递归分离策略用于训练数据分成可靠和不可靠子集，消除不可靠的标签后在可靠子集上进行半监督学习。该方法在实验结果方面表现出最先进的性能，特别适用于高度不可靠的情况。

    Feb, 2023

  • 少样本部分标签学习

    本研究提出了一种基于适应距离度量学习和样本特征的 Few-shot PLL 方法，通过学习多类别分类器，从过度标注的样本中训练生成去噪的分类器用于不精确标记的学习。实验结果表明在使用少量数据集的情况下，FsPLL 可以优于现有最先进的方法并快速适应新任务。

    Jun, 2021

  • 基于超像素低秩逼近的部分标签学习用于高光谱图像分类

    本文提出了一种新的基于超像素低秩逼近（LRA）的部分标签学习方法 SLAP，该方法在高光谱图像（HSI）分类中首次考虑到部分标签学习，并且通过实验验证了该方法相对于现有方法的优势。

    May, 2024

  • PiCO+：面向部分标签学习的对比标签消歧技术

    本文提出一个 PiCO 框架，包括对比学习模块和新型基于原型的标签消歧算法用于解决部分标签学习的问题。该框架可以对相同类别的样例进行紧密对齐并促进标签消歧，并在嘈杂的部分标签学习任务中表现出色，甚至可以与完全监督的学习相媲美。

    Jan, 2022

  • 具有标签蒸馏的对抗感知的部分标签学习

    提出了对手感知部分标签学习方法 (Adversary-Aware Partial Label Learning)，将对手标签引入候选标签集合，通过引入对手标签，分解 PLL 的预测分布，从而获得较低的不确定性，提高预测标签的可靠性。我们还提出了 ATM 算法以实现分类器和风险函数的一致性，并在 CIFAR10、CIFAR100 和 CUB200 数据集上展开了广泛的实验，表明我们的方法具有高度的鲁棒性。

    Apr, 2023

  • 不可靠局部标签学习的鲁棒表示学习

    利用不可靠偏标签强健对比学习方法增强模型对不可靠偏标签的鲁棒性，并结合基于 KNN 的候选标签集校正以及基于一致性正则化的标签消歧来提高标签质量和增强 URRL 框架中的表示学习能力。实验证明该方法在不同数据集上的性能超过了现有方法，并从期望最大化算法的角度对此方法进行了理论分析。

    Aug, 2023