PropMix：用于噪声标签学习的难样本过滤与比例MixUp
计算机视觉与模式识别
2021-10-25 v1
摘要
最具竞争力的噪声标签学习方法依赖于对干净样本与噪声样本的无监督分类，其中被分类为噪声的样本被重新标注并与干净样本进行“MixMatch”。这些方法在大噪声率问题中存在两个缺陷：1）噪声集中更可能包含被错误重新标注的难样本；2）由于受小干净集规模限制，MixMatch产生的样本数量往往减少。本文引入学习算法PropMix以解决上述问题。PropMix过滤掉难噪声样本，以提高正确重新标注易噪声样本的可能性。此外，PropMix将干净样本与重新标注的易噪声样本放入一个经MixUp增强的训练集中，去除了干净集规模限制并纳入了较大比例的 correctly re-labelled 易噪声样本。我们还引入了自监督预训练以提升对高噪声标签场景的鲁棒性。实验表明，PropMix在CIFAR-10/-100（含对称、非对称和语义标签噪声）、Red Mini-ImageNet（来自Controlled Noisy Web Labels）、Clothing1M和WebVision上取得了最先进的（SOTA）结果。在严重标签噪声基准上，我们的结果大幅优于其他方法。代码见 https://github.com/filipe-research/PropMix。
引用
@article{arxiv.2110.11809,
title = {PropMix: Hard Sample Filtering and Proportional MixUp for Learning with Noisy Labels},
author = {Filipe R. Cordeiro and Vasileios Belagiannis and Ian Reid and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2110.11809},
year = {2021}
}
备注
Paper accepted at BMVC'21: The 32nd British Machine Vision Conference