基于锚框幻觉与硬样本标签纠正的实例依赖噪标签学习

从噪标签数据中进行学习是实际应用中的关键任务。传统的噪标签学习（NLL）方法通常基于训练样本的损失分布将数据划分为干净集合和噪声集合。但这些方法往往忽略，尤其是那些具有复杂视觉模式的干净样本也可能产生较大的损失。这在具有实例依赖噪声（IDN）的数据集中尤为突出，因为误标签概率与视觉外观相关。我们的做法显式地区分干净样本与噪声样本以及容易样本与困难样本。我们识别出损失较小的训练样本，假设其具有简单模式和正确标签。利用这些容易样本，我们对多个锚框进行幻觉，以选择进行标签纠正的硬样本。经纠正后的硬样本与容易样本一起用于后续的半监督训练。在合成数据集和真实世界的 IDN 数据集上的实验表明，我们的方法在其他最新 NLL 方法之上取得了优异性能。