利用侧信息对噪声标注图像进行弱监督学习
计算机视觉与模式识别
2020-09-07 v2
摘要
在许多真实世界数据集中，如 WebVision，基于 DNN 的分类器性能常常受限于噪声标注数据。为应对该问题，一些与图像相关的侧信息（如标题和标签）往往揭示了图像间潜在的关系。本文中，我们提出一种高效的弱监督学习方法，使用侧信息网络（SINet），旨在以严重噪声标签有效地进行大规模分类。所提出的 SINet 由一个视觉原型模块和一个噪声加权模块组成。视觉原型模块通过引入侧信息来为每一类生成紧凑表示。噪声加权模块旨在估计每张噪声图像的正确性，并在训练过程中为图像排序产生置信度分数。所提出的 SINet 可大幅缓解噪声图像标签的负面影响，并有利于训练高性能的基于 CNN 的分类器。此外，我们发布了一个细粒度商品数据集 AliProducts，其包含超过 250 万张通过使用由 50,000 个细粒度语义类生成的查询从互联网爬取的噪声网络图像。在多个流行基准（即 WebVision、ImageNet 和 Clothing-1M）以及我们提出的 AliProducts 上的大量实验取得了最先进的性能。SINet 在 WebVision Challenge 2019 的分类任务中获得第一名，并以较大优势超越其他竞争者。
引用
@article{arxiv.2008.11586,
title = {Weakly Supervised Learning with Side Information for Noisy Labeled Images},
author = {Lele Cheng and Xiangzeng Zhou and Liming Zhao and Dangwei Li and Hong Shang and Yun Zheng and Pan Pan and Yinghui Xu},
journal= {arXiv preprint arXiv:2008.11586},
year = {2020}
}
备注
Accepted by ECCV 2020