面向噪声标签学习的端到端概率噪声校正
计算机视觉与模式识别
2019-03-20 v1 机器学习
摘要
深度学习在各种计算机视觉任务中取得了优异性能，但需要大量带干净标签的训练样本。收集带噪声标签的数据集很容易，但此类噪声会使网络严重过拟合且准确率急剧下降。为解决该问题，我们提出了一种称为 PENCIL 的端到端框架，其可将网络参数与标签估计作为标签分布一同更新。PENCIL 独立于骨干网络结构，且不需要辅助干净数据集或关于噪声的先验信息，因此比现有方法更通用、更鲁棒且易于应用。在具有不同噪声类型和噪声率的合成与真实世界数据集上，PENCIL 以大幅优势超越先前 SOTA 方法。实验表明，PENCIL 在干净数据集上同样鲁棒。
引用
@article{arxiv.1903.07788,
title = {Probabilistic End-to-end Noise Correction for Learning with Noisy Labels},
author = {Kun Yi and Jianxin Wu},
journal= {arXiv preprint arXiv:1903.07788},
year = {2019}
}
备注
CVPR 2019