基于单标签调节器的多标签金非对称损失校正
计算机视觉与模式识别
2021-08-05 v1 人工智能
机器学习
摘要
多标签学习是多类分类的一种新兴扩展，其中一幅图像包含多个标签。在多标签学习中，获取干净且完全标注的数据集不仅极其昂贵，而且由于自动化或非专家标注技术，许多实际标签被损坏或缺失。噪声标签数据会急剧降低预测性能。本文提出一种新颖的带有单标签调节器的金非对称损失校正（GALC-SLR）方法，该方法对噪声标签具有鲁棒性。GALC-SLR 使用单标签样本估计噪声混淆矩阵，然后通过估计的混淆矩阵构建非对称损失校正，以避免对噪声标签过拟合。实验结果表明，在所有损坏程度下，我们的方法均优于最先进的原始非对称损失多标签分类器，在 MS-COCO 真实世界数据集上平均精度均值提升高达 28.67%，从而对未见过的数据具有更好的泛化能力并提高了预测性能。
引用
@article{arxiv.2108.02032,
title = {Multi-Label Gold Asymmetric Loss Correction with Single-Label Regulators},
author = {Cosmin Octavian Pene and Amirmasoud Ghiassi and Taraneh Younesian and Robert Birke and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2108.02032},
year = {2021}
}