学习借助多个人类进行互补
计算机视觉与模式识别
2024-05-02 v2
摘要
现实世界的图像分类任务往往较为复杂，专家标注者有时不确定图像中存在的类别，导致带有噪声标签的学习（LNL）问题。LNL 任务的不适定性需要使用强假设或每张训练图像使用多个噪声标签，从而产生在孤立情况下表现良好但未能优化人机协作分类（HAI-CC）的准确模型。与此类 LNL 方法不同，HAI-CC 旨在利用人类专长与 AI 能力之间的协同作用，但需要干净的 training 标签，限制了其现实世界的适用性。本文通过引入创新的学习借助多个人类进行互补（LECOMH）方法来解决这一差距。LECOMH 旨在不依赖干净标签而从噪声标签中学习，同时最大化协作准确率并最小化人类协作成本（以每张图像所需的人类专家标注数量衡量）。此外，提出了在训练和测试均具有多个噪声标签的新基准来评估 HAI-CC 方法。通过这些基准上的定量比较，LECOMH 在各种数据集上持续优于具有竞争力的 HAI-CC 方法、人类标注者、多标注者学习和噪声标签学习方法，为解决现实世界图像分类挑战提供了有前景的方案。
引用
@article{arxiv.2311.13172,
title = {Learning to Complement with Multiple Humans},
author = {Zheng Zhang and Cuong Nguyen and Kevin Wells and Thanh-Toan Do and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2311.13172},
year = {2024}
}
备注
Under review