带噪声标签深度CNN的辅助图像正则化
计算机视觉与模式识别
2016-03-03 v2
摘要
具有充足样本量的精确标注数据集对于训练深度卷积神经网络（CNNs）非常重要。然而，许多可用的现实世界数据集包含错误标注的样本，这些错误严重阻碍了非常准确的CNN模型的学习。在这项工作中，我们考虑使用错误标注的训练样本训练深度CNN模型用于图像分类的问题——这在由业余用户提供的标签的真实图像数据集中很常见。为解决这个问题，我们提出一种辅助图像正则化技术，由随机交替方向乘子法（ADMM）算法优化，该技术自动利用训练图像之间的相互上下文信息，并鼓励模型选择可靠图像以使学习过程鲁棒化。在基准数据集上的综合实验清楚地表明我们提出的正则化CNN模型对训练数据中的标签噪声具有抵抗能力。
引用
@article{arxiv.1511.07069,
title = {Auxiliary Image Regularization for Deep CNNs with Noisy Labels},
author = {Samaneh Azadi and Jiashi Feng and Stefanie Jegelka and Trevor Darrell},
journal= {arXiv preprint arXiv:1511.07069},
year = {2016}
}
备注
Published as a conference paper at ICLR 2016