面向多源标注的分离对比回归学习
机器学习
2024-03-13 v2 计算机视觉与模式识别
摘要
大规模数据集对深度学习模型的发展至关重要。此类数据集通常需要繁重的标注工作量，极其耗时且昂贵。为加速标注过程，可雇佣多名标注员对数据的不同子集进行标注。然而，不同标注员之间的不一致性与偏差对模型训练有害，尤其对于定性及主观任务。为应对这一挑战，本文提出一种新颖的对比回归框架来解决分离标注问题，其中每个样本仅由一名标注员标注，且多名标注员处理数据中互不相交的子集。为同时考虑标注员内一致性与标注员间不一致性，采用了两种策略。首先，应用基于对比的损失来学习同一标注员不同样本间的相对排序，假设来自同一标注员的样本排序是一致的。其次，我们应用梯度反转层来学习对不同标注员不变的鲁棒表示。在面部表情预测任务以及图像质量评估任务上的实验验证了我们提出框架的有效性。
引用
@article{arxiv.2112.15411,
title = {Disjoint Contrastive Regression Learning for Multi-Sourced Annotations},
author = {Xiaoqian Ruan and Gaoang Wang},
journal= {arXiv preprint arXiv:2112.15411},
year = {2024}
}