自松弛联合训练：面向有序噪声标签严重度估计的样本选择
计算机视觉与模式识别
2024-10-30 v1
摘要
严重度估计是医学图像诊断中的一项关键任务。然而，为单个图像准确分配严重度类别标签成本高昂且极具挑战性。因此，所附带的标签往往是含噪的。在本文中，我们提出了一种使用“有序”噪声标签进行训练的新框架。由于严重度级别具有有序关系，我们可以利用这一点来训练分类器，同时减轻噪声标签的负面影响。我们的框架使用两种技术：干净样本选择和双网络架构。我们方法的一个技术亮点是使用从噪声硬标签中导出的软标签。通过在两种技术中恰当地使用软标签和硬标签，我们实现了更准确的样本选择和更鲁棒的网络训练。在使用两个内镜溃疡性结肠炎（UC）数据集和一个视网膜糖尿病视网膜病变（DR）数据集的实验中，所提出的方法优于多种最先进的方法。我们的代码可在https://github.com/shumpei-takezaki/Self-Relaxed-Joint-Training获取。
引用
@article{arxiv.2410.21885,
title = {Self-Relaxed Joint Training: Sample Selection for Severity Estimation with Ordinal Noisy Labels},
author = {Shumpei Takezaki and Kiyohito Tanaka and Seiichi Uchida},
journal= {arXiv preprint arXiv:2410.21885},
year = {2024}
}
备注
Accepted at WACV2025