通过概率转移矩阵缓解图像分类中的噪声标签影响
计算机视觉与模式识别
2023-04-28 v2
摘要
基于深度学习的图像分类框架常受到由观察者间差异引起的噪声标签问题的困扰。近期研究采用学会学习范式（如 Co-teaching 和 JoCoR）从训练集中过滤带有噪声标签的样本。然而，其中大多数使用简单的交叉熵损失作为噪声标签识别的准则。在此类设定下，有益于分类器学习的困难样本常因困难样本与噪声标签样本均比简单样本导致更大的损失值而被误判为噪声。本文提出一个插件模块，即噪声忽略块（NIB），由概率转移矩阵和类间相关性（IC）损失组成，以将困难样本与错误标注样本分离，并进一步提升使用噪声标签训练的图像分类网络的准确率。具体而言，我们的 IC 损失计算为网络预测与由概率转移矩阵生成的累积软标签之间的 Kullback-Leibler 散度。由此，IC 损失值越低，困难样本便越易与错误标注样本区分开。我们在自然与医学图像数据集（CIFAR-10 和 ISIC 2019）上进行了充分实验。实验结果表明，我们的 NIB 模块持续提升了 SOTA 鲁棒训练方法的性能。
引用
@article{arxiv.2110.08866,
title = {Alleviating Noisy-label Effects in Image Classification via Probability Transition Matrix},
author = {Ziqi Zhang and Yuexiang Li and Hongxin Wei and Kai Ma and Tao Xu and Yefeng Zheng},
journal= {arXiv preprint arXiv:2110.08866},
year = {2023}
}