面向带噪标签学习的深度 CNN 颗粒球表示学习
计算机视觉与模式识别
2024-09-06 v1 人工智能
摘要
在实际场景中，无论是人工还是自动标注，训练数据中不可避免地会产生标签噪声，这会影响深度 CNN 模型的有效性。流行的解决方案需要数据清洗或设计额外的优化来惩罚带有错误标签的数据，从而增强模型的鲁棒性。然而，这些方法是以在训练过程中削弱甚至丢失部分数据为代价的。众所周知，内容是图像的固有属性，不随标注的变化而改变。在本研究中，我们提出了一种通用的颗粒球计算（GBC）模块，可以嵌入到 CNN 模型中，其中分类器最终预测颗粒球（）样本的标签，而不是每个单独样本的标签。具体而言，考虑分类任务：（1）在前向过程中，我们在特征级别将输入样本分割为 样本，每个 样本可以对应数量不定的多个样本并共享一个单一标签；（2）在反向传播过程中，我们修改了 GBC 模块的梯度分配策略以使其能够正常传播；（3）我们开发了一种经验回放策略以确保训练过程的稳定性。实验表明，所提出的方法能够在无需额外数据或优化的情况下提高 CNN 模型的鲁棒性。
引用
@article{arxiv.2409.03254,
title = {Granular-ball Representation Learning for Deep CNN on Learning with Label Noise},
author = {Dawei Dai and Hao Zhu and Shuyin Xia and Guoyin Wang},
journal= {arXiv preprint arXiv:2409.03254},
year = {2024}
}