面向图像分类的注意力感知噪声标签学习
计算机视觉与模式识别
2020-10-01 v1
摘要
在大规模标注样本上训练的深度卷积神经网络（CNN）已在计算机视觉（如图像/视频分类）中取得显著进展。获取大量标注视觉数据最廉价的方式是从带有用户标注的网站（如 Flickr）抓取。然而，这些样本往往包含错误标签（即噪声标签），会显著降低网络性能。本文提出注意力感知噪声标签学习方法（），以提升在含潜在标签噪声数据集上训练的网络判别能力。具体而言，设计了一个包含多个噪声专用单元的噪声注意力模型，以更好地捕捉噪声信息。每个单元期望为图像子集学习特定的噪声分布，从而更精确地建模不同干扰。此外，引入递归学习过程，利用已学习的高层知识增强注意力网络的学习能力。为充分评估所提方法，我们从两方面开展实验：在 CIFAR-10、SVHN 等大规模图像分类数据集上的手动翻转标签噪声，以及在线抓取的带多属性服装数据集上的真实世界标签噪声。优于 SOTA 方法的结果验证了我们所提方法的有效性。
引用
@article{arxiv.2009.14757,
title = {Attention-Aware Noisy Label Learning for Image Classification},
author = {Zhenzhen Wang and Chunyan Xu and Yap-Peng Tan and Junsong Yuan},
journal= {arXiv preprint arXiv:2009.14757},
year = {2020}
}
备注
10 pages, 8 figures