利用标签噪声选择与测试时增强交叉熵及NoiseMix学习进行噪声标签分类
计算机视觉与模式识别
2024-07-18 v2
摘要
随着深度学习任务所用数据集规模的增大，噪声标签问题（即让深度学习对错误标注数据具有鲁棒性的任务）已成为一项重要任务。在本文中，我们提出一种利用标签噪声选择结合测试时增强（TTA）交叉熵以及基于NoiseMix方法的分类器学习来学习噪声标签数据的方法。在标签噪声选择中，我们通过测量对测试时增强的训练数据进行预测的交叉熵，提出TTA交叉熵。在分类器学习中，我们基于MixUp和BalancedMix方法，通过混合来自噪声标签数据和干净标签数据的样本，提出NoiseMix方法。在ISIC-18公开皮肤病变诊断数据集上的实验中，所提TTA交叉熵在标签噪声选择过程中检测标签噪声数据方面优于常规交叉熵和TTA不确定性。此外，所提NoiseMix不仅在分类性能上优于最先进的方法，而且在分类器学习中对标签噪声表现出最强的鲁棒性。
引用
@article{arxiv.2212.00479,
title = {Noisy Label Classification using Label Noise Selection with Test-Time Augmentation Cross-Entropy and NoiseMix Learning},
author = {Hansang Lee and Haeil Lee and Helen Hong and Junmo Kim},
journal= {arXiv preprint arXiv:2212.00479},
year = {2024}
}
备注
Accepted at the 2nd MICCAI workshop on Data Augmentation, Labeling, and Imperfections (DALI @ MICCAI 2022)