小损失技巧不够够：应用于CCTV管道检查的多标签图像分类中的噪声标签
计算机视觉与模式识别
2024-10-11 v1 机器学习
摘要
管道网维护依赖高效的闭环电视(CCTV)检查，而这些管道长达数百万公里。许多基于多标签图像分类的方法已利用历史检查报告的数据库来自动化这些检查。然而，这些数据库中存在的显著标签噪声虽已为人所知，但未得到充分关注。虽然在单标签分类(SLC)中对标签噪声的研究已广泛开展，但在多标签分类(MLC)中却鲜有关注。为此，我们首先改编了三种已证实对标签噪声具有鲁棒性的样本选择SLC方法(Co-teaching、CoSELFIE和DISC)。我们的发现表明，仅基于小损失技巧的样本选择能够处理复杂的标签噪声，但效果次佳。将混合样本选择方法应用于噪声MLC显然是更具前景的。在此基础上，我们开发了一种新方法MHSS(Multi-label Hybrid Sample Selection)，基于CoSELFIE。通过深入的比较研究，我们展示了该方法在处理合成复杂噪声和真实噪声方面表现优异，从而为促进CCTV管道检查的自动化提供了有力支持。
引用
@article{arxiv.2410.07689,
title = {When the Small-Loss Trick is Not Enough: Multi-Label Image Classification with Noisy Labels Applied to CCTV Sewer Inspections},
author = {Keryan Chelouche and Marie Lachaize and Marine Bernard and Louise Olgiati and Remi Cuingnet},
journal= {arXiv preprint arXiv:2410.07689},
year = {2024}
}