基于鲁棒样本选择和间隔引导模块的开放集标签噪声学习
计算机视觉与模式识别
2025-01-09 v1
摘要
近年来，深度神经网络（DNN）在计算机视觉领域的卓越成就主要归功于大规模高质量标记数据集。直接在具有标签噪声的真实数据集上训练可能导致过拟合。传统方法仅能处理封闭集标签噪声，即噪声训练数据在已知标签空间内具有真实类别标签。然而，存在一些包含开放集标签噪声的数据集，其中部分样本属于已知标签空间之外的未知类别。为解决开放集标签噪声问题，我们引入一种基于鲁棒样本选择和间隔引导模块（RSS-MGM）的方法。首先，不同于仅选择有限干净样本的先前干净样本选择方法，鲁棒样本选择模块结合小损失选择或高置信度样本选择，以获取更多干净样本。其次，为高效区分开放集标签噪声和封闭集标签噪声，设计了间隔函数用于滤波开放集数据和封闭集数据。最后，针对不同类型的样本选择不同的处理方法，以充分利用数据先验信息并优化整个模型。此外，大量基于具有噪声标记数据的实验结果表明，我们的方法在诸多最前沿标签噪声学习方法中均表现优异，尤其是能够更准确地划分开放集标签噪声样本和封闭集标签噪声样本。
引用
@article{arxiv.2501.04269,
title = {Open set label noise learning with robust sample selection and margin-guided module},
author = {Yuandi Zhao and Qianxi Xia and Yang Sun and Zhijie Wen and Liyan Ma and Shihui Ying},
journal= {arXiv preprint arXiv:2501.04269},
year = {2025}
}