基于标签平滑的置信感知步调课程学习用于手术场景理解
计算机视觉与模式识别
2022-12-23 v1
摘要
课程学习与自步学习是逐渐从易到难样本喂入的训练策略。因在机器人视觉中的优异表现而备受关注。近期工作多聚焦于依据输入样本难度设计课程或平滑特征图。然而，以课程方式平滑标签以控制学习效用仍未被探索。本工作设计了一种通过标签平滑的步调课程（P-CBLS）：对分类任务采用带均匀标签平滑（ULS）的步调学习，并以课程方式融合均匀与空间变化标签平滑（SVLS）用于语义分割任务。在 ULS 与 SVLS 中，较大的平滑因子值会对真实标签施加强平滑惩罚并限制学习较少信息。因此，我们设计了通过标签平滑的课程（CBLS）：在训练初期设较大平滑值并渐减至零，以将模型学习效用由低到高控制。我们还设计了置信感知步调函数并将其与 CBLS 结合，以探究不同课程的益处。所提技术在多类、多标签分类、图像描述与分割任务的四个机器人手术数据集上验证。我们还通过将验证数据 corrupt 为不同严重级别来考察方法鲁棒性。广泛分析表明，所提方法提升了预测精度与鲁棒性。
引用
@article{arxiv.2212.11511,
title = {Confidence-Aware Paced-Curriculum Learning by Label Smoothing for Surgical Scene Understanding},
author = {Mengya Xu and Mobarakol Islam and Ben Glocker and Hongliang Ren},
journal= {arXiv preprint arXiv:2212.11511},
year = {2022}
}
备注
12 pages