用于图像分类任务中含噪标签的分类器引导视觉修正
计算机视觉与模式识别
2020-06-11 v4 人机交互
机器学习
摘要
训练数据在现代机器学习应用中起着至关重要的作用。然而，收集带标签的训练数据耗时费力。因此，标注常外包给经验较少的用户，或完全自动化。这可能引入错误，损害宝贵的训练数据，并导致次优的训练结果。我们因而提出一种新方法，利用预训练分类器的能力在视觉上引导用户发现含噪标签，并让他们交互式地检查错误候选，以迭代地改进训练数据集。为系统性地研究训练数据，我们基于对标签获取过程中潜在陷阱的分析，将标注错误分为三种不同类型。针对每一类型，我们提出检测、推理与解决错误候选的方法，并给出支持机器学习用户的度量与视觉引导技术。我们的方法已用于发现知名机器学习基准数据集中的错误，并在一次用户评估中测试了其可用性。尽管最初为图像开发，本文所提技术独立于分类算法，并可扩展至许多其他类型的训练数据。
引用
@article{arxiv.1808.03114,
title = {Classifier-Guided Visual Correction of Noisy Labels for Image Classification Tasks},
author = {Alex Bäuerle and Heiko Neumann and Timo Ropinski},
journal= {arXiv preprint arXiv:1808.03114},
year = {2020}
}