存在噪声标签时基于深度学习的图像分类：综述

随着深度神经网络的进步，图像分类系统最近取得了巨大飞跃。然而，这些系统需要大量标注数据才能充分训练。由于标注过程昂贵或即使对专家而言也难以正确分类数据等多种因素，收集正确标注的数据集并非总是可行。由于这些实际挑战，标签噪声是真实世界数据集中的常见问题，文献中提出了许多在标签噪声下训练深度神经网络的方法。尽管已知深度神经网络对标签噪声相对鲁棒，但其过拟合数据的倾向使它们容易记住甚至随机噪声。因此，考虑标签噪声的存在并开发对抗算法以消除其不利影响从而高效训练深度神经网络至关重要。尽管已有关于标签噪声下机器学习技术的广泛综述，但文献缺乏围绕存在噪声标签时深度学习的明确方法论的综合综述。本文旨在呈现这些算法，并将其归类为两个子组之一：基于噪声模型的方法与无噪声模型的方法。第一组的算法旨在估计噪声结构并利用该信息避免噪声标签的不利影响。不同的是，第二组的方法试图通过使用鲁棒损失、正则化器或其他学习范式等方法提出固有噪声鲁棒的算法。