基于噪声标签的人体跌倒事件分类学习：三体网络联合协同训练
计算机视觉与模式识别
2023-10-12 v1 人工智能
图像与视频处理
摘要
随着老龄化人口的增加，跌倒事件分类引起了大量研究关注。在深度学习的发展中，数据标签的质量至关重要。大多数数据集是自动或半自动标注的，样本可能被错误标注，这限制了深度神经网络（DNNs）的性能。近期关于噪声标签学习的研究证实，神经网络在训练阶段先关注干净且简单的样本，然后才跟随噪声且困难的样本。为解决噪声标签学习问题并保护受试者隐私，我们提出了一种简单而有效的方法，称为三体网络联合协同训练（JoCoT）。为缓解隐私问题，使用了人体骨骼数据。所提出的 JoCoT 通过两个教师模块和一个学生模块提升了噪声标签学习框架的鲁棒性与性能。为减少错误选择，教师模块的预测采用基于共识的方法引导学生模块训练。在广泛使用的 UP-Fall 数据集上的性能评估以及与最先进方法的对比，证实了所提 JoCoT 在高噪声率下的有效性。具体而言，在平均 pairflip 和对称噪声下，JoCoT 分别比最先进方法高出 5.17% 和 3.35%。
引用
@article{arxiv.2310.06854,
title = {Learning with Noisy Labels for Human Fall Events Classification: Joint Cooperative Training with Trinity Networks},
author = {Leiyu Xie and Yang Sun and Syed Mohsen Naqvi},
journal= {arXiv preprint arXiv:2310.06854},
year = {2023}
}