EvidentialMix：结合开集与闭集噪声标签的学习方法
机器学习
2020-11-12 v1 计算机视觉与模式识别
摘要
深度学习的效能依赖于经过精心整理、具有可靠数据采集与标注流程的大规模数据集。然而，获取此类带有精确标注的大规模数据集极为昂贵且耗时，而廉价替代方案所得数据集往往带有噪声标签。该领域已通过关注两类标签噪声下的模型训练来解决此问题：1）闭集噪声，即部分训练样本被错误标注为已知真实类别之外的某一训练标签；2）开集噪声，即训练集包含真实类别（严格）不属于已知训练标签集合的样本。本工作中，我们研究一种结合开集与闭集噪声标签的噪声标签问题新变体，并引入一种基准评估以衡量该设定下训练算法的性能。我们认为此类问题更具一般性，且能更好地反映实践中的噪声标签场景。此外，我们提出一种称为 EvidentialMix 的新颖算法来解决该问题，并在所提基准上将其与针对闭集和开集噪声的最先进方法进行比较。结果表明，我们的方法相较于先前最先进方法产生了更优的分类结果与更好的特征表示。代码见 https://github.com/ragavsachdeva/EvidentialMix。
引用
@article{arxiv.2011.05704,
title = {EvidentialMix: Learning with Combined Open-set and Closed-set Noisy Labels},
author = {Ragav Sachdeva and Filipe R. Cordeiro and Vasileios Belagiannis and Ian Reid and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2011.05704},
year = {2020}
}
备注
Paper accepted at WACV'21: Winter Conference on Applications of Computer Vision