从 CNN 鲁棒性角度重新审视部分标签问题
计算机视觉与模式识别
2024-07-26 v1
摘要
卷积神经网络（CNNs）近年来在各个领域取得了显著的应用成果，这些成就很大程度上归功于大规模带精确标签的数据集支持。然而，标注图像数据集过程复杂且具有挑战性，尤其是在多标签数据集中。因此，提出了部分标签（partial-label）设定以降低标注成本，随后涌现出众多相应方法。现有方法的评估主要基于准确率，这意味着其性能通过在测试集上的预测准确率来衡量。然而，我们认为这种评估方式不足且片面。其原因在于：一方面，测试集的质量未被评估，从而导致评估结果不可靠；另一方面，部分标签问题也可能在对抗攻击下被放大。因此，将鲁棒性纳入评估体系至关重要。为此，我们首先提出两种攻击模型，以生成不同标签缺失率的部分标签数据集。随后，我们引入一种基于伪标签技术和设计损失函数的轻量级部分标签解决方案。然后，我们采用 D-Score 对提出的方法和现有方法进行分析，以判断其在提高准确率的同时是否能够提升鲁棒性。大量实验结果表明，虽然某些方法可能提高准确率，但鲁棒性的提升并不显著，甚至在某些情况下会削弱鲁棒性。
引用
@article{arxiv.2407.17630,
title = {Revising the Problem of Partial Labels from the Perspective of CNNs' Robustness},
author = {Xin Zhang and Yuqi Song and Wyatt McCurdy and Xiaofeng Wang and Fei Zuo},
journal= {arXiv preprint arXiv:2407.17630},
year = {2024}
}