一种用于带噪标签训练的新型自监督重标注方法
计算机视觉与模式识别
2020-01-03 v3
摘要
深度学习模型取得巨大成功的主要驱动力是大规模数据集及其干净标签的可获得性。遗憾的是，这很难获取，从而促使了关于在标签噪声存在下训练深度模型以及避免对噪声标签过拟合的研究。在本工作中，我们基于该领域的开创性工作 Co-teaching，提出了一种简单而高效的称为 mCT-S2R（带自监督与重标注的改进协同教学）的方法来处理此任务。首先，为应对标签中大量的噪声，我们提出使用自监督来生成不依赖任何标签的鲁棒特征。接着，利用并行网络架构，获得数据中被干净标注部分的估计。最后，利用该数据，对估计的噪声标注部分中的一部分进行重标注，然后再用增强后的数据恢复网络训练。在三个标准数据集上的大量实验表明了所提框架的有效性。
引用
@article{arxiv.1910.05700,
title = {A Novel Self-Supervised Re-labeling Approach for Training with Noisy Labels},
author = {Devraj Mandal and Shrisha Bharadwaj and Soma Biswas},
journal= {arXiv preprint arXiv:1910.05700},
year = {2020}
}
备注
Expanded and Updated version of this paper has been accepted in WACV 2020