干扰标签监督:利用免费标签提升鲁棒性
计算机视觉与模式识别
2021-10-15 v1
摘要
本文提出一种干扰标签监督(NLS)模块,可使模型对干扰因子变化更具鲁棒性。干扰因子指与任务无关的因素,理想模型应对其保持不变性。例如,活动识别模型应无论衣着和背景如何变化都表现一致。但我们的实验表明,现有模型远不具备此能力。因此我们显式地使用干扰标签监督模型,使提取的特征更少依赖于干扰因子。尽管干扰因子的值很少被标注,我们证明除已有标注外,干扰标签还可从数据增强和合成数据中免费获取。实验表明,在动作识别中对图像损坏和外观变化的鲁棒性均有持续提升。
引用
@article{arxiv.2110.07118,
title = {Nuisance-Label Supervision: Robustness Improvement by Free Labels},
author = {Xinyue Wei and Weichao Qiu and Yi Zhang and Zihao Xiao and Alan Yuille},
journal= {arXiv preprint arXiv:2110.07118},
year = {2021}
}
备注
ICCV 2021 Workshop