論文の概要: Deep Learning Classification With Noisy Labels

• arxiv url: http://arxiv.org/abs/2004.11116v1
• Date: Thu, 23 Apr 2020 13:02:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:13:19.290182
• Title: Deep Learning Classification With Noisy Labels
• Title（参考訳）: 雑音ラベルを用いたディープラーニング分類
• Authors: Guillaume Sanchez, Vincente Guis, Ricard Marxer, Fr\'ed\'eric Bouchara
• Abstract要約: 我々は,多数の摂動子に曝露しながら,身元を閉じたアクター識別のための顔認識システムを訓練する。 我々は,顔認識への関心とは別に,ディープラーニング分類器を訓練する際のノイズの多いアノテーションの管理方法に関する最近の研究をレビューした。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Learning systems have shown tremendous accuracy in image classification, at the cost of big image datasets. Collecting such amounts of data can lead to labelling errors in the training set. Indexing multimedia content for retrieval, classification or recommendation can involve tagging or classification based on multiple criteria. In our case, we train face recognition systems for actors identification with a closed set of identities while being exposed to a significant number of perturbators (actors unknown to our database). Face classifiers are known to be sensitive to label noise. We review recent works on how to manage noisy annotations when training deep learning classifiers, independently from our interest in face recognition.
• Abstract（参考訳）: ディープラーニングシステムは、大きな画像データセットのコストを犠牲にして、画像分類において非常に精度が高い。 このようなデータの収集は、トレーニングセットのラベル付けエラーにつながる可能性がある。 検索、分類、推奨のためのマルチメディアコンテンツのインデックス化には、複数の基準に基づくタグ付けや分類が含まれる。 本事例では,多数の摂動器(データベースに未知のアクタ)に晒されながら,閉じたid集合を持つアクタ識別のための顔認識システムを訓練する。 顔分類器はラベルノイズに敏感であることが知られている。 我々は,顔認識への関心とは別に,ディープラーニング分類器を訓練する際のノイズの多いアノテーションの管理方法に関する最近の研究をレビューした。

関連論文リスト

• Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
  本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。 よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。 ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
  論文  参考訳（メタデータ） (2023-07-03T09:20:28Z)
• Deep Active Learning in the Presence of Label Noise: A Survey [1.8945921149936182]
  ディープラーニングは、事前に定義されたラベル付け予算内でディープラーニングモデルをトレーニングするための強力なツールとして登場した。 ラベルノイズの存在下での深いアクティブな学習の現状について論じ,ユニークなアプローチ,その強み,弱点を強調した。 本稿では,良質な画像表現を導出するコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:27:39Z)
• Deep Image Retrieval is not Robust to Label Noise [0.0]
  画像分類法は,画像分類法よりもラベルノイズに対する頑健さが低いことを示す。 画像検索タスクに特有なラベルノイズの種類を初めて検討した。
  論文  参考訳（メタデータ） (2022-05-23T11:04:09Z)
• On Guiding Visual Attention with Language Specification [76.08326100891571]
  注意をそらすのではなく,タスク関連機能に分類証拠を限定するためのアドバイスとして,ハイレベルな言語仕様を用いる。 この方法で空間的注意を監督することは、偏りのあるノイズのあるデータを用いた分類タスクの性能を向上させる。
  論文  参考訳（メタデータ） (2022-02-17T22:40:19Z)
• Noisy Labels Can Induce Good Representations [53.47668632785373]
  アーキテクチャがノイズラベルによる学習に与える影響について検討する。 ノイズラベルを用いたトレーニングは,モデルが一般化に乏しい場合でも,有用な隠れ表現を誘導できることを示す。 この発見は、騒々しいラベルで訓練されたモデルを改善する簡単な方法につながります。
  論文  参考訳（メタデータ） (2020-12-23T18:58:05Z)
• A Survey on Deep Learning with Noisy Labels: How to train your model when you cannot trust on the annotations? [21.562089974755125]
  ノイズラベルの存在下でのディープラーニングモデルのトレーニングを改善するために,いくつかのアプローチが提案されている。 本稿では,ロバストな損失,サンプル重み付け,サンプル選択,メタラーニング,組み合わせアプローチの3つのグループでアルゴリズムを分類する。
  論文  参考訳（メタデータ） (2020-12-05T15:45:20Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Using Unlabeled Data for Increasing Low-Shot Classification Accuracy of Relevant and Open-Set Irrelevant Images [0.4110108749051655]
  自動運転車による探索,探索,偵察作業には,画像分類機能が必要である。 学習中に,各関連クラスに対して,ラベル付き画像の控えめな数を使用する,オープンセットのローショット分類器を提案する。 関連するクラスから画像を識別し、候補画像が無関係かどうかを判断し、トレーニングに含まれていない無関係画像のカテゴリをさらに認識することができる。
  論文  参考訳（メタデータ） (2020-10-01T23:11:07Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。