含噪声标签的小样本学习
计算机视觉与模式识别
2022-08-02 v2 机器学习
摘要
小样本学习（FSL）方法在 novel 类上训练时通常假设支持集干净且样本标签准确。这一假设往往不切实际：支持集无论多小，仍可能包含误标样本。因此，对标签噪声的鲁棒性对 FSL 方法的实用性至关重要，但这一问题令人惊讶地仍基本未被探索。为解决 FSL 设定中的误标样本，我们作出了若干技术贡献。（1）我们提出了简单而有效的特征聚合方法，改进了流行 FSL 技术 ProtoNet 所用的原型。（2）我们描述了一种用于噪声小样本学习（TraNFS）的新颖 Transformer 模型。TraNFS 利用 transformer 的注意力机制对误标与正确样本进行加权。（3）最后，我们在 MiniImageNet 和 TieredImageNet 的噪声版本上对这些方法进行了广泛测试。我们的结果表明，TraNFS 在干净支持集上与领先 FSL 方法相当，而在存在标签噪声时远超它们。
引用
@article{arxiv.2204.05494,
title = {Few-shot Learning with Noisy Labels},
author = {Kevin J Liang and Samrudhdhi B. Rangrej and Vladan Petrovic and Tal Hassner},
journal= {arXiv preprint arXiv:2204.05494},
year = {2022}
}
备注
Accepted to CVPR 2022