基于图模型建模的实例依赖噪声标签学习
计算机视觉与模式识别
2022-09-05 v1 机器学习
摘要
在深度学习的生态中,噪声标签不可避免却令人困扰,因为模型容易对其过拟合。存在多种类型的标签噪声,如对称、非对称与实例依赖噪声(IDN),其中IDN是唯一依赖于图像信息的类型。鉴于标注错误在很大程度上由图像中视觉类别信息的不足或模糊引起,这种对图像信息的依赖使IDN成为值得研究的关键标签噪声类型。旨在提供解决IDN的有效技术,我们提出一种称为InstanceGM的新图建模方法,其结合了判别模型与生成模型。InstanceGM的主要贡献为:i)使用连续Bernoulli分布训练生成模型,带来显著训练优势;ii)探索最先进的噪声标签判别分类器,从实例依赖噪声标签样本中生成干净标签。InstanceGM与当前噪声标签学习方法具有竞争力,特别是在使用合成与真实世界数据集的IDN基准上,我们的方法在多数实验中展现出优于对比方法的精度。
引用
@article{arxiv.2209.00906,
title = {Instance-Dependent Noisy Label Learning via Graphical Modelling},
author = {Arpit Garg and Cuong Nguyen and Rafael Felix and Thanh-Toan Do and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2209.00906},
year = {2022}
}
备注
Accepted at WACV 2023