論文の概要: ExpertNet: Adversarial Learning and Recovery Against Noisy Labels

• arxiv url: http://arxiv.org/abs/2007.05305v2
• Date: Mon, 13 Jul 2020 09:58:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:05:40.168530
• Title: ExpertNet: Adversarial Learning and Recovery Against Noisy Labels
• Title（参考訳）: ExpertNet: ノイズラベルに対する敵対的学習と回復
• Authors: Amirmasoud Ghiassi, Robert Birke, Rui Han, Lydia Y.Chen
• Abstract要約: 本稿では,AmateurとExpertで構成された新しいフレームワークを提案する。 訓練されたアマチュアとエキスパートは、画像とノイズラベルを積極的に利用して画像クラスを推論する。 CIFAR-10, CIFAR-100, およびChrothing1Mの実環境データに対する実験結果から, 提案モデルが幅広い雑音比に対して頑健な分類を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 8.88412854076574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Today's available datasets in the wild, e.g., from social media and open platforms, present tremendous opportunities and challenges for deep learning, as there is a significant portion of tagged images, but often with noisy, i.e. erroneous, labels. Recent studies improve the robustness of deep models against noisy labels without the knowledge of true labels. In this paper, we advocate to derive a stronger classifier which proactively makes use of the noisy labels in addition to the original images - turning noisy labels into learning features. To such an end, we propose a novel framework, ExpertNet, composed of Amateur and Expert, which iteratively learn from each other. Amateur is a regular image classifier trained by the feedback of Expert, which imitates how human experts would correct the predicted labels from Amateur using the noise pattern learnt from the knowledge of both the noisy and ground truth labels. The trained Amateur and Expert proactively leverage the images and their noisy labels to infer image classes. Our empirical evaluations on noisy versions of CIFAR-10, CIFAR-100 and real-world data of Clothing1M show that the proposed model can achieve robust classification against a wide range of noise ratios and with as little as 20-50% training data, compared to state-of-the-art deep models that solely focus on distilling the impact of noisy labels.
• Abstract（参考訳）: 今日、ソーシャルメディアやオープンプラットフォームから利用可能なデータセットは、タグ付けされた画像のかなりの部分が存在しているが、しばしばノイズ、すなわち誤ったラベルがあるため、ディープラーニングに対する大きな機会と課題を提示する。 近年の研究では、真のラベルの知識のないディープモデルのノイズラベルに対する堅牢性が改善されている。 本稿では,従来の画像に加えて,雑音ラベルを積極的に活用し,雑音ラベルを学習機能に転換する強力な分類器の導出を提唱する。 そこで本稿では,アマチュアと専門家からなる新しいフレームワークであるexpertnetを提案する。 アマチュアは、専門家のフィードバックによって訓練された通常の画像分類器であり、ノイズラベルと地上ラベルの両方の知識から学んだノイズパターンを用いて、人間の専門家がアマチュアから予測されたラベルをどのように修正するかを模倣する。 訓練されたアマチュアとエキスパートは積極的に画像とそのノイズラベルを利用して画像クラスを推論する。 cifar-10, cifar-100, and real-world data of clothing1mのノイズ評価の結果,提案モデルでは,ノイズラベルの影響を蒸留することだけに焦点を当てた最先端の深層モデルと比較して,幅広い雑音比と20～50%のトレーニングデータに対してロバストな分類が可能であった。

関連論文リスト

• Learn From All: Erasing Attention Consistency for Noisy Label Facial Expression Recognition [37.83484824542302]
  新たな特徴学習の観点から,ノイズの多いラベルの扱いについて検討する。 FERモデルでは,ノイズラベルに関連性があると考えられる機能の一部に着目し,ノイズサンプルを記憶していることがわかった。 そこで本研究では,ノイズを抑えるための新しい消去注意一貫性(EAC)法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T04:30:33Z)
• 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)
• Learning with Noisy Labels Revisited: A Study Using Real-World Human Annotations [54.400167806154535]
  ノイズラベルを用いた学習に関する既存の研究は、主に合成ラベルノイズに焦点を当てている。 本研究は2つの新しいベンチマークデータセット(CIFAR-10N, CIFAR-100N)を示す。 実世界のノイズラベルは古典的に採用されたクラス依存のラベルではなく、インスタンス依存のパターンに従うことを示す。
  論文  参考訳（メタデータ） (2021-10-22T22:42:11Z)
• Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
  本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。 本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。 公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-09-15T18:18:28Z)
• Distilling effective supervision for robust medical image segmentation with noisy labels [21.68138582276142]
  本稿では,画素レベルと画像レベルの両方から効果的な監視情報を抽出することにより,ノイズラベルによるセグメント化に対処する新しい枠組みを提案する。 特に,各画素の不確かさを画素単位の雑音推定として明確に推定する。 画素レベルの学習を補完する画像レベルの頑健な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T13:33:38Z)
• Rethinking Noisy Label Models: Labeler-Dependent Noise with Adversarial Awareness [2.1930130356902207]
  本稿では,複数のラベルに対してインスタンス依存ノイズを一般化するラベルノイズの原理モデルを提案する。 ラベラーに依存したモデルでは、ラベルノイズは善良なラベルの自然な誤りと悪質なアクターによって提供される敵対的なラベルの2つのモードの下に現れます。 実世界の環境で発生する可能性のあるラベルノイズをより正確に反映する2つの逆攻撃ベクトルを提案する。
  論文  参考訳（メタデータ） (2021-05-28T19:58:18Z)
• Exploiting Web Images for Fine-Grained Visual Recognition by Eliminating Noisy Samples and Utilizing Hard Ones [60.07027312916081]
  トレーニング中に実世界のWeb画像から無関係なサンプルを除去するための新しいアプローチを提案します。 私達のアプローチはよりよい性能を達成するために無関係な騒々しいWebイメージおよび堅い例の有害な影響を緩和できます。
  論文  参考訳（メタデータ） (2021-01-23T03:58:10Z)
• 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)
• 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。