LNL+K：通过噪声源知识融合增强带噪标签学习
计算机视觉与模式识别
2024-07-16 v2
摘要
带噪标签学习（LNL）旨在使用含噪数据集训练高性能模型。我们观察到，给定类别的噪声常来源于有限的一组类别，然而许多LNL方法忽视了这一点。例如，被误标为猎豹的图像更可能是豹而非河马，因其视觉相似性。因此，我们探索融合噪声源知识的带噪标签学习（LNL+K），其利用关于标签噪声可能来源的知识，这些知识常由数据集的元数据中提供。即使在LNL方法通常失效的设置下，融合噪声源知识也能提升性能。例如，LNL+K方法在噪声占样本多数的数据集上依然有效，这打破了大多数LNL方法所依赖的关键前提。我们的LNL+K方法即便在噪声源为估计而非从元数据提取时也能提升性能。我们提供若干基线LNL+K方法，将噪声源知识融入最先进的LNL模型，并在六个多样数据集与两类噪声上评估，相较未适配方法最高提升23%。关键的是，我们表明即便经适配融合噪声源知识，LNL方法在某些真实数据集上仍无法泛化，凸显直接探索LNL+K的重要性。
引用
@article{arxiv.2306.11911,
title = {LNL+K: Enhancing Learning with Noisy Labels Through Noise Source Knowledge Integration},
author = {Siqi Wang and Bryan A. Plummer},
journal= {arXiv preprint arXiv:2306.11911},
year = {2024}
}
备注
This paper is accepted by European Conference on Computer Vision (ECCV) 2024