NLNL：面向噪声标签的负学习
机器学习
2019-08-21 v1
摘要
卷积神经网络（CNNs）用于图像分类时提供优异性能。训练CNNs的经典方法是以监督方式标注图像，如“输入图像属于此标签”（正学习；PL），若所有图像标签均正确指派，这是一种快速准确的方法。然而，若存在不准确标签或噪声标签，用PL训练将提供错误信息，从而严重降低性能。为解决此问题，我们始于一种称为负学习（NL）的间接学习方法，其中CNNs使用互补标签训练，如“输入图像不属于此互补标签”。由于将真实标签选为互补标签的概率较低，NL降低了提供错误信息的风险。此外，为改善收敛，我们通过选择性采用PL扩展该方法，称为选择性负学习与正学习（SelNLPL）。PL被选择性地用于训练预期为干净的数据，其选择随着NL推进成为可能，从而在处理噪声数据上获得优越性能。借助简单半监督训练技术，我们的方法在噪声数据分类上达到最先进精度，证明了SelNLPL噪声数据过滤能力的优越性。
引用
@article{arxiv.1908.07387,
title = {NLNL: Negative Learning for Noisy Labels},
author = {Youngdong Kim and Junho Yim and Juseung Yun and Junmo Kim},
journal= {arXiv preprint arXiv:1908.07387},
year = {2019}
}
备注
ICCV 2019, Accepted