基于子群正负配对选择的噪声鲁棒深度度量学习提升样本利用
计算机视觉与模式识别
2025-01-22 v1
摘要
真实数据中存在的噪声标签会严重影响深度学习模型的性能。虽然大量研究致力于提高分类任务中对噪声标签的鲁棒性，但针对深度度量学习(DML)中的噪声标签问题仍鲜有探索。现有方法主要通过丢弃可疑噪声样本来提升鲁棒性，导致训练数据浪费。为此，本文提出一种基于子群正负配对选择的噪声鲁棒DML框架(SGPS)，通过构建可靠的正样本配对来增强样本利用率。具体而言，SGPS首先采用基于概率的干净样本选择策略有效识别干净样本与噪声样本。为充分利用剩余噪声样本，本文基于子群生成模块提供的子群信息发现其潜在相似样本，并通过正样本原型生成模块将其聚合为每个噪声样本的有价值正样本原型。随后，设计一种针对所选正样本的噪声样本的对比损失函数。SGPS可无缝集成至现有成对DML任务的训练流程中，如图像检索与人脸识别。在多个合成及真实大规模标签噪声数据集上进行的广泛实验表明，所提方法有效。本文在不添加额外技巧的情况下，使SGPS框架超越了当前噪声标签DML方法的SOTA水平。代码已公开于\url{https://github.com/smuelpeng/SGPS-NoiseFreeDML}。
引用
@article{arxiv.2501.11063,
title = {Enhancing Sample Utilization in Noise-Robust Deep Metric Learning With Subgroup-Based Positive-Pair Selection},
author = {Zhipeng Yu and Qianqian Xu and Yangbangyan Jiang and Yingfei Sun and Qingming Huang},
journal= {arXiv preprint arXiv:2501.11063},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2108.01431, arXiv:2103.16047 by other authors