利用类别级监督从含噪网络数据中学习
计算机视觉与模式识别
2018-05-25 v3
摘要
随着每天有大量照片被上传至公共网站（如 Flickr、Bing 和 Google），借助免费可得的网络资源从网络数据中学习已成为日益流行的研究方向，这也被称为网络监督学习（webly supervised learning）。然而，由于网络数据存在标签噪声，网络监督学习与传统监督学习之间的性能差距仍然很大。确切地说，从公共网站爬取的图像标签非常嘈杂且常常不准确。现有一些工作倾向于借助额外信息来促进从网络数据中学习，例如利用实例级监督来扩充或净化网络数据，而这通常需要大量人工标注。与之不同，我们提出通过利用更易获取的类别级监督来解决标签噪声问题。具体而言，我们将方法构建在变分自编码器（VAE）之上，其中分类网络连接在 VAE 的隐藏层上，使得分类网络与 VAE 能够联合利用类别级混合语义信息。我们在三个基准数据集上的大量实验清楚地证明了所提方法的有效性。
引用
@article{arxiv.1803.03857,
title = {Learning from Noisy Web Data with Category-level Supervision},
author = {Li Niu and Qingtao Tang and Ashok Veeraraghavan and Ashu Sabharwal},
journal= {arXiv preprint arXiv:1803.03857},
year = {2018}
}