从噪声数据中挽救可复用样本以实现鲁棒学习
计算机视觉与模式识别
2020-08-07 v1 多媒体
摘要
由于网络图像中存在标签噪声以及深度神经网络的高记忆能力，直接通过网络图像训练深度细粒度（FG）模型往往识别能力较差。文献中，为缓解此问题，损失校正方法试图估计噪声转移矩阵，但不可避免的误校正会导致严重的累积误差。样本选择方法基于小损失可缓解累积误差的事实来识别干净（“简单”）样本。然而，既能提升 FG 模型鲁棒性又属于“困难”和误标注的样本也被丢弃了。为此，我们提出一种基于确定性的可复用样本选择与校正方法，称为 CRSSC，用于处理通过网络图像训练深度 FG 模型时的标签噪声。我们的核心思想是额外识别并校正可复用样本，然后将其与干净样本一起用于更新网络。我们从理论和实验两个角度证明了所提方法的优越性。
引用
@article{arxiv.2008.02427,
title = {Salvage Reusable Samples from Noisy Data for Robust Learning},
author = {Zeren Sun and Xian-Sheng Hua and Yazhou Yao and Xiu-Shen Wei and Guosheng Hu and Jian Zhang},
journal= {arXiv preprint arXiv:2008.02427},
year = {2020}
}
备注
accepted by ACM MM 2020