論文の概要: Robust Deep Learning with Active Noise Cancellation for Spatial
Computing
- arxiv url: http://arxiv.org/abs/2011.08341v1
- Date: Mon, 16 Nov 2020 23:56:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 23:20:58.374505
- Title: Robust Deep Learning with Active Noise Cancellation for Spatial
Computing
- Title(参考訳): 空間コンピューティングのためのアクティブノイズキャンセラによるロバスト深層学習
- Authors: Li Chen, David Yang, Purvi Goel, Ilknur Kabul
- Abstract要約: 地上の真理ラベルには、空間計算や衛星画像でラベルが収集されるため、多くのノイズが存在している。
極端ラベルノイズに対処する既存の方法はクリーンサンプル選択を行い、残りのサンプルは利用しない。
提案するCANCアルゴリズムは,高コストトレーニングサンプルの保存だけでなく,能動的ラベル補正も提供する。
- 参考スコア(独自算出の注目度): 11.490116814947223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes CANC, a Co-teaching Active Noise Cancellation method,
applied in spatial computing to address deep learning trained with extreme
noisy labels. Deep learning algorithms have been successful in spatial
computing for land or building footprint recognition. However a lot of noise
exists in ground truth labels due to how labels are collected in spatial
computing and satellite imagery. Existing methods to deal with extreme label
noise conduct clean sample selection and do not utilize the remaining samples.
Such techniques can be wasteful due to the cost of data retrieval. Our proposed
CANC algorithm not only conserves high-cost training samples but also provides
active label correction to better improve robust deep learning with extreme
noisy labels. We demonstrate the effectiveness of CANC for building footprint
recognition for spatial computing.
- Abstract(参考訳): 本稿では,超雑音ラベルで訓練された深層学習に空間計算を適用した共学アクティブノイズキャンセラ法CANCを提案する。
深層学習アルゴリズムは土地の空間計算や足跡認識に成功している。
しかし、空間計算や衛星画像におけるラベルの収集方法により、地上の真理ラベルには多くのノイズが存在する。
極端ラベルノイズに対処する既存の方法はクリーンサンプル選択を行い、残りのサンプルは利用しない。
このような手法は、データ検索のコストのために無駄になる可能性がある。
提案したCANCアルゴリズムは,高コストトレーニングサンプルを保存できるだけでなく,能動的ラベル補正により,極端雑音ラベルによる堅牢な深層学習を改善する。
空間コンピューティングのフットプリント認識におけるCANCの有効性を実証する。
関連論文リスト
- Combating Label Noise With A General Surrogate Model For Sample
Selection [84.61367781175984]
本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。
提案手法の有効性を実世界および合成ノイズデータセットで検証した。
論文 参考訳(メタデータ) (2023-10-16T14:43:27Z) - PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning
Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。
本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文 参考訳(メタデータ) (2023-07-26T09:45:17Z) - Context-based Virtual Adversarial Training for Text Classification with
Noisy Labels [1.9508698179748525]
本研究では,テキスト分類器が雑音ラベルに過度に収まらないよう,コンテキストベースの仮想対位訓練(ConVAT)を提案する。
従来の手法とは異なり,提案手法は入力よりも文脈レベルで逆学習を行う。
2種類のラベルノイズを持つ4つのテキスト分類データセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2022-05-29T14:19:49Z) - Combating Noise: Semi-supervised Learning by Region Uncertainty
Quantification [55.23467274564417]
現在の手法は、擬似ラベルによって生成されるノイズの多い領域によって容易に妨げられる。
領域の不確実性を定量化して雑音耐性半教師付き学習を提案する。
PASCAL VOCとMS COCOの併用実験により,本手法の異常な性能を実証した。
論文 参考訳(メタデータ) (2021-11-01T13:23:42Z) - Open-set Label Noise Can Improve Robustness Against Inherent Label Noise [27.885927200376386]
オープンセットノイズラベルは非毒性であり, 固有ノイズラベルに対するロバスト性にも寄与することを示した。
本研究では,動的雑音ラベル(ODNL)を用いたオープンセットサンプルをトレーニングに導入することで,シンプルかつ効果的な正規化を提案する。
論文 参考訳(メタデータ) (2021-06-21T07:15:50Z) - Contrastive Learning Improves Model Robustness Under Label Noise [3.756550107432323]
コントラスト学習で学習した表現を用いて教師付きロバスト手法を初期化することで,ラベル雑音下での性能が著しく向上することを示す。
最も単純な方法でさえ、コントラスト学習の場合、高いラベルノイズの下で最先端のSSLメソッドを50%以上上回ることができます。
論文 参考訳(メタデータ) (2021-04-19T00:27:58Z) - Tackling Instance-Dependent Label Noise via a Universal Probabilistic
Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。
合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文 参考訳(メタデータ) (2021-01-14T05:43:51Z) - 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) - Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。
ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。
ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
論文 参考訳(メタデータ) (2020-03-03T01:32:16Z)
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。