引导图像与其干净及噪声标签之间的关系
计算机视觉与模式识别
2022-10-18 v1
摘要
许多最先进的噪声标签学习方法依赖于在训练期间估计样本干净标签并丢弃其原始噪声标签的学习机制。然而，这种方法阻碍了对图像、噪声标签与干净标签之间关系的学习，而已有研究表明该关系在处理实例依赖标签噪声问题时十分有用。此外，那些旨在学习此关系的方法需要干净标注的数据子集，以及用于训练的蒸馏或多面模型。本文提出一种新的训练算法，该算法依靠简单模型来学习干净标签与噪声标签之间的关系，且无需干净标注的数据子集。我们的算法遵循三阶段过程：1）自监督预训练，随后对分类器进行早停训练，以自信地预测训练集子集的干净标签；2）利用阶段（1）的干净集来引导图像、噪声标签与干净标签之间的关系，我们借助半监督学习对剩余训练集进行有效重新标注；3）使用阶段（2）中所有重新标注的样本对分类器进行有监督训练。通过学习该关系，我们在非对称和实例依赖标签噪声问题上取得了最先进的性能。
引用
@article{arxiv.2210.08826,
title = {Bootstrapping the Relationship Between Images and Their Clean and Noisy Labels},
author = {Brandon Smart and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2210.08826},
year = {2022}
}