面向空间计算的基于主动噪声消除的鲁棒深度学习方法
机器学习
2020-11-18 v1 人工智能
计算机视觉与模式识别
摘要
本文提出 CANC，一种协同教学主动噪声消除（Co-teaching Active Noise Cancellation）方法，应用于空间计算中以解决带有极端噪声标签训练的深度学习问题。深度学习算法已在空间计算中的土地或建筑足迹识别方面取得成功。然而，由于空间计算与卫星影像中标签的收集方式，真实标签中存在大量噪声。现有的处理极端标签噪声的方法进行干净样本筛选，却不利用剩余样本。由于数据检索的成本，此类技术可能造成浪费。我们提出的 CANC 算法不仅节约高成本的训练样本，还提供主动标签纠正，以更好地改进带有极端噪声标签的鲁棒深度学习。我们展示了 CANC 在空间计算建筑足迹识别中的有效性。
引用
@article{arxiv.2011.08341,
title = {Robust Deep Learning with Active Noise Cancellation for Spatial Computing},
author = {Li Chen and David Yang and Purvi Goel and Ilknur Kabul},
journal= {arXiv preprint arXiv:2011.08341},
year = {2020}
}