存在标签噪声时学习可信分类器
计算机视觉与模式识别
2025-02-12 v3 人机交互
机器学习
摘要
深度神经网络（DNN）模型的成功在很大程度上依赖于所给标注的质量。例如在医学图像分割中，为每个数据点提供多位专家标注以最小化主观标注偏差是常见做法。此时，估计的目标是滤除标签噪声并恢复未显式给出的真值掩码。本文提出一种用于含噪观测的概率模型，使我们能够构建可信的分类与分割模型。为此，我们显式建模标签噪声，并引入一种新的基于信息的正则化，推动网络恢复真值标签。此外，对于分割任务，我们通过优先在全体标注者标注一致的高置信区域学习来调整损失函数。我们在一系列分类任务上评估了所提方法，如带噪版本的MNIST、CIFAR-10、Fashion-MNIST数据集以及具有含噪人工标注的真实世界数据集CIFAR-10N。另外，对于分割任务，我们考虑了若干医学成像数据集，如反映多位标注者间真实世界差异性的LIDC与RIGA。我们的实验表明，对于所考虑的分类与分割问题，我们的算法优于最先进的方案。
引用
@article{arxiv.2301.00524,
title = {Learning Confident Classifiers in the Presence of Label Noise},
author = {Asma Ahmed Hashmi and Aigerim Zhumabayeva and Nikita Kotelevskii and Artem Agafonov and Mohammad Yaqub and Maxim Panov and Martin Takáč},
journal= {arXiv preprint arXiv:2301.00524},
year = {2025}
}