Fugu-MT 論文翻訳(概要): Deep Image Retrieval is not Robust to Label Noise

論文の概要: Deep Image Retrieval is not Robust to Label Noise

arxiv url: http://arxiv.org/abs/2205.11195v1
Date: Mon, 23 May 2022 11:04:09 GMT
ステータス: 処理完了
システム内更新日: 2022-05-25 07:43:09.247785
Title: Deep Image Retrieval is not Robust to Label Noise
Title（参考訳）: ディープイメージ検索はラベルノイズにロバストではない
Authors: Stanislav Dereka, Ivan Karpukhin, Sergey Kolesnikov
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large-scale datasets are essential for the success of deep learning in image retrieval. However, manual assessment errors and semi-supervised annotation techniques can lead to label noise even in popular datasets. As previous works primarily studied annotation quality in image classification tasks, it is still unclear how label noise affects deep learning approaches to image retrieval. In this work, we show that image retrieval methods are less robust to label noise than image classification ones. Furthermore, we, for the first time, investigate different types of label noise specific to image retrieval tasks and study their effect on model performance.
Abstract（参考訳）: 画像検索におけるディープラーニングの成功には,大規模データセットが不可欠である。しかし、手動評価エラーや半教師付きアノテーション技術は、一般的なデータセットでもラベルノイズを引き起こす可能性がある。従来の研究は主に画像分類タスクのアノテーション品質を研究していたため、画像検索におけるラベルノイズがディープラーニングのアプローチにどのように影響するかはまだ不明である。本研究は,画像分類手法よりも,画像検索手法がノイズのラベル付けに頑健でないことを示す。さらに,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,その効果をモデル性能に与える影響について検討した。

関連論文リスト

Improving Medical Image Classification in Noisy Labels Using Only Self-supervised Pretraining [9.01547574908261]
ノイズラベルが深層学習に基づく教師付き画像分類性能を損なうのは、モデルがノイズに過度に適合し、劣化した特徴抽出器を学習するためである。そこで本研究では,自己誘発ノイズラベルを持つ2つの医療データセットを対象とした,深層学習分類モデルの重み付けを初期化するための,コントラスト的,プレテキストなタスクベース自己教師型事前訓練について検討する。その結果,自己教師付き学習から得られた事前学習重み付きモデルは,より優れた特徴を効果的に学習し,ノイズラベルに対する堅牢性を向上させることができることがわかった。
論文参考訳（メタデータ） (2023-08-08T19:45:06Z)
Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
論文参考訳（メタデータ） (2023-03-23T09:33:44Z)
Learning with Label Noise for Image Retrieval by Selecting Interactions [2.0881411175861726]
本稿では,教師によるインタラクションの選択(T-SINT)という画像検索のためのノイズ耐性手法を提案する。教師ベースのトレーニング設定を用いて、検索損失において考慮すべき正と負の正の相互作用を選択する。合成ノイズとより現実的なノイズを持つベンチマークデータセットにおいて、高いノイズ率に関する最先端の手法を一貫して上回る。
論文参考訳（メタデータ） (2021-12-20T11:27:48Z)
Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation [24.557755528031453]
セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。 2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-07-21T14:27:36Z)
Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文参考訳（メタデータ） (2021-07-02T09:46:06Z)
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)
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)
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)
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。