用于噪声图像分类的学习顾问网络
计算机视觉与模式识别
2024-08-19 v1 人工智能
机器学习
摘要
在本文中，我们引入了顾问网络这一新概念，以解决图像分类中噪声标签的问题。深度神经网络(DNN)在带有噪声标注的训练数据上容易出现性能下降和过拟合问题。加权损失方法旨在减轻训练期间噪声标签的影响，完全去除其贡献。这一丢弃过程阻止了DNN学习图像与其正确标签之间的错误关联，但减少了所用数据量，尤其在大多数样本带有噪声标签时更为明显。不同的是，我们的方法直接对分类器提取的特征进行加权，而不改变每个数据的损失值。顾问有助于仅关注错标样本中存在的部分信息，从而允许分类器也利用这些数据。我们通过元学习策略对其进行训练，使其能在主模型训练过程中自适应调整。我们在带有合成噪声的CIFAR10和CIFAR100，以及包含真实世界噪声的Clothing1M上测试了我们的方法，报告了最先进的结果。
引用
@article{arxiv.2211.04177,
title = {Learning advisor networks for noisy image classification},
author = {Simone Ricci and Tiberio Uricchio and Alberto Del Bimbo},
journal= {arXiv preprint arXiv:2211.04177},
year = {2024}
}
备注
Paper published as Poster at ICIAP21