論文の概要: Combating Noisy Labels in Long-Tailed Image Classification
- arxiv url: http://arxiv.org/abs/2209.00273v1
- Date: Thu, 1 Sep 2022 07:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:56:39.226811
- Title: Combating Noisy Labels in Long-Tailed Image Classification
- Title（参考訳）: 長テール画像分類における雑音ラベル対策
- Authors: Chaowei Fang, Lechao Cheng, Huiyan Qi, and Dingwen Zhang
- Abstract要約: 本稿では,長期分布とラベルノイズの両方を用いて,画像分類課題に早期に取り組む。
既存のノイズキャンバス学習手法では, ノイズの多いサンプルをテールクラスのクリーンなサンプルと区別することが難しいため, このシナリオでは機能しない。
本稿では,弱いデータと強いデータに対する推測の一致に基づく新しい学習パラダイムを提案し,ノイズのあるサンプルをスクリーニングする。
- 参考スコア（独自算出の注目度）: 33.40963778043824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most existing methods that cope with noisy labels usually assume that the
class distributions are well balanced, which has insufficient capacity to deal
with the practical scenarios where training samples have imbalanced
distributions. To this end, this paper makes an early effort to tackle the
image classification task with both long-tailed distribution and label noise.
Existing noise-robust learning methods cannot work in this scenario as it is
challenging to differentiate noisy samples from clean samples of tail classes.
To deal with this problem, we propose a new learning paradigm based on matching
between inferences on weak and strong data augmentations to screen out noisy
samples and introduce a leave-noise-out regularization to eliminate the effect
of the recognized noisy samples. Furthermore, we incorporate a novel prediction
penalty based on online prior distribution to avoid bias towards head classes.
This mechanism has superiority in capturing the class fitting degree in
realtime compared to the existing long-tail classification methods. Exhaustive
experiments demonstrate that the proposed method outperforms state-of-the-art
algorithms that address the distribution imbalance problem in long-tailed
classification under noisy labels.
- Abstract（参考訳）: ノイズの多いラベルに対処する既存の方法の多くは、クラス分布はバランスがよく、トレーニングサンプルがバランスの取れない分布を持つ現実的なシナリオに対処する能力が不足していると仮定する。
そこで本稿では,長期分布とラベルノイズの両面から,画像分類タスクを早期に実施する。
既存のノイズロバスト学習手法では,テールクラスのクリーンサンプルからノイズサンプルを区別することが難しいため,このシナリオでは機能しない。
この問題に対処するために,弱いデータと強いデータに対する推測の一致に基づく新たな学習パラダイムを提案する。
さらに,オンライン事前分布に基づく新たな予測ペナルティを導入し,ヘッドクラスに対する偏見を回避する。
この機構は,従来のロングテール分類法と比較して,クラス適合度をリアルタイムで取得する上で優れている。
提案手法は,ノイズラベル下の長尾分類における分散不均衡問題に対処する最先端アルゴリズムよりも優れていることを示す。
関連論文リスト
- Learning from Noisy Labels for Long-tailed Data via Optimal Transport [2.8821062918162146]
本稿では,長周期分布と雑音ラベルの両方を特徴とするデータ管理手法を提案する。
そこで我々は,半教師付き学習方式で擬似ラベルを生成するために,最適な輸送戦略を採用した。
論文 参考訳（メタデータ） (2024-08-07T14:15:18Z) - Active Label Refinement for Robust Training of Imbalanced Medical Image Classification Tasks in the Presence of High Label Noise [10.232537737211098]
雑音ラベル(LNL)とアクティブラーニングを組み合わせた2段階のアプローチを提案する。
提案手法は,少数クラスからのクリーンなサンプルをノイズの多いサンプルとして誤識別しないことで,クラス不均衡を扱う従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-07-08T14:16:05Z) - Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。
手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。
本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
論文 参考訳（メタデータ） (2024-04-10T07:34:37Z) - Learning with Imbalanced Noisy Data by Preventing Bias in Sample
Selection [82.43311784594384]
実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。
不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-02-17T10:34:53Z) - 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) - Centrality and Consistency: Two-Stage Clean Samples Identification for
Learning with Instance-Dependent Noisy Labels [87.48541631675889]
本稿では,2段階のクリーンサンプル識別手法を提案する。
まず,クリーンサンプルの早期同定にクラスレベルの特徴クラスタリング手法を用いる。
次に, 基底真理クラス境界に近い残余のクリーンサンプルについて, 一貫性に基づく新しい分類法を提案する。
論文 参考訳（メタデータ） (2022-07-29T04:54:57Z) - Robust Long-Tailed Learning under Label Noise [50.00837134041317]
本研究では,長期ラベル分布におけるラベルノイズ問題について検討する。
本稿では,長期学習のための雑音検出を実現する頑健なフレームワークAlgoを提案する。
我々のフレームワークは、半教師付き学習アルゴリズムを自然に活用して一般化をさらに改善することができる。
論文 参考訳（メタデータ） (2021-08-26T03:45:00Z) - Disentangling Sampling and Labeling Bias for Learning in Large-Output
Spaces [64.23172847182109]
異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。
すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
論文 参考訳（メタデータ） (2021-05-12T15:40:13Z)
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。