协同学习结合拼接增广用于含噪多标签视觉识别
计算机视觉与模式识别
2023-07-04 v1
摘要
在真实场景中，收集和标注的数据往往表现出多类别和长尾分布的特征。此外，大规模标注中标签噪声不可避免，并阻碍了基于学习的模型的应用。尽管已提出许多基于深度学习的方法分别处理长尾多标签识别或标签噪声，但由于长尾分布与多标签相关性纠缠的复杂性，在长尾多标签视觉数据中学习含噪标签尚未得到充分研究。为解决这一关键而棘手的问题，本文侧重于基于多标签分类的某些固有属性以及含噪情形下的长尾学习来降低噪声。具体而言，我们提出一种 Stitch-Up 增广来合成更干净的样本，其通过拼接多个含噪训练样本直接减少多标签噪声。结合 Stitch-Up，进一步设计了异质协同学习(Heterogeneous Co-Learning)框架，以利用长尾分布与均衡分布之间的不一致性，为含噪长尾数据上更鲁棒的表示学习产生更干净的标签。为验证我们的方法，我们构建了两个具有挑战性的基准，分别命名为 VOC-MLT-Noise 和 COCO-MLT-Noise。进行了大量实验以证明我们所提方法的有效性。与多种基线相比，我们的方法取得了更优的结果。
引用
@article{arxiv.2307.00880,
title = {Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition},
author = {Chao Liang and Zongxin Yang and Linchao Zhu and Yi Yang},
journal= {arXiv preprint arXiv:2307.00880},
year = {2023}
}
备注
accepted by TIP 2023, code is at https://github.com/VamosC/CoLearning-meet-StitchUp