論文の概要: Learning Confident Classifiers in the Presence of Label Noise
- arxiv url: http://arxiv.org/abs/2301.00524v2
- Date: Sat, 9 Dec 2023 07:55:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 03:23:07.170449
- Title: Learning Confident Classifiers in the Presence of Label Noise
- Title（参考訳）: ラベル雑音下での自信のある分類器の学習
- Authors: Asma Ahmed Hashmi, Aigerim Zhumabayeva, Nikita Kotelevskii, Artem
Agafonov, Mohammad Yaqub, Maxim Panov and Martin Tak\'a\v{c}
- Abstract要約: 本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。
実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 5.829762367794509
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of Deep Neural Network (DNN) models significantly depends on the
quality of provided annotations. In medical image segmentation, for example,
having multiple expert annotations for each data point is common to minimize
subjective annotation bias. Then, the goal of estimation is to filter out the
label noise and recover the ground-truth masks, which are not explicitly given.
This paper proposes a probabilistic model for noisy observations that allows us
to build a confident classification and segmentation models. To accomplish it,
we explicitly model label noise and introduce a new information-based
regularization that pushes the network to recover the ground-truth labels. In
addition, for segmentation task we adjust the loss function by prioritizing
learning in high-confidence regions where all the annotators agree on labeling.
We evaluate the proposed method on a series of classification tasks such as
noisy versions of MNIST, CIFAR-10, Fashion-MNIST datasets as well as CIFAR-10N,
which is real-world dataset with noisy human annotations. Additionally, for
segmentation task, we consider several medical imaging datasets, such as, LIDC
and RIGA that reflect real-world inter-variability among multiple annotators.
Our experiments show that our algorithm outperforms state-of-the-art solutions
for the considered classification and segmentation problems.
- Abstract（参考訳）: deep neural network (dnn)モデルの成功は、提供されたアノテーションの品質に大きく依存する。
例えば、医療画像のセグメンテーションでは、各データポイントに複数の専門家アノテーションがある場合、主観的アノテーションバイアスを最小限に抑えるのが一般的である。
次に、推定の目的は、ラベルノイズをフィルタリングして、明示的に与えられていない接地マスクを回収することである。
本稿では,騒音観測のための確率モデルを提案し,自信のある分類モデルとセグメンテーションモデルの構築を可能にする。
これを実現するために,ラベルノイズを明示的にモデル化し,新たな情報ベース正規化を導入する。
さらにセグメンテーションタスクでは,すべてのアノテータがラベル付けに同意する高信頼領域での学習を優先することで損失関数を調整する。
提案手法は,MNIST, CIFAR-10, Fashion-MNIST データセット, CIFAR-10N といった,ノイズの多い人間のアノテーションを付加した実世界のデータセットに対して評価する。
また,セグメンテーションタスクでは,複数のアノテータ間の実世界の相互変動を反映するLIDCやRIGAなどの医療画像データセットについても検討する。
提案手法は,分類問題やセグメンテーション問題に対して最先端の解を上回っていることを示す。
関連論文リスト
- Benchmarking Label Noise in Instance Segmentation: Spatial Noise Matters [2.53740603524637]
本研究は,各種モデルによるセグメンテーションマスクの品質について光を当てる。
ラベルノイズによる学習に対処するために設計された一般的な手法の有効性に挑戦する。
論文 参考訳（メタデータ） (2024-06-16T10:49:23Z) - Noisy Label Processing for Classification: A Survey [2.8821062918162146]
長い、退屈なデータアノテーションのプロセスでは、アノテーションはミスをしがちで、画像のラベルが正しくない。
コンピュータビジョンタスク、特に分類タスクにおいて、ノイズの多いラベルと戦うことが不可欠である。
実世界のデータで導かれる合成ラベルノイズパターンを生成するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-05T15:11:09Z) - Fusing Conditional Submodular GAN and Programmatic Weak Supervision [5.300742881753571]
PWS(Programmatic Weak Supervision)と生成モデルは、データ収集や手動のアノテーションプロセスに頼ることなく、既存のデータセットの有用性を最大化する重要なツールとして機能する。
PWSは、データの基礎となるクラスラベルを推定するために様々な弱い監視技術を使用し、生成モデルは、主に与えられたデータセットの基盤分布からのサンプリングに集中する。
最近、WSGANは2つのモデルを融合させるメカニズムを提案した。
論文 参考訳（メタデータ） (2023-12-16T07:49:13Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Compensation Learning in Semantic Segmentation [22.105356244579745]
本研究では,曖昧さとラベルノイズを識別・補償するフレームワークであるセマンティックスケープにおける補償学習を提案する。
ニューラルネットワークに新たな不確実性分岐を導入し、関連する領域にのみ補償バイアスを誘導する。
提案手法は最先端のセグメンテーションフレームワークに応用され,いくつかの実験により,提案手法がクラス間関係を学習することを示す。
論文 参考訳（メタデータ） (2023-04-26T10:26:11Z) - Learning advisor networks for noisy image classification [22.77447144331876]
本稿では,画像分類におけるノイズラベルの問題に対処するためのアドバイザネットワークの概念を紹介する。
私たちはメタラーニング戦略でそれをトレーニングし、メインモデルのトレーニングを通じて適応できるようにしました。
我々はCIFAR10とCIFAR100を合成雑音で試験し,実環境雑音を含むCrothing1Mを用いて最先端の結果を報告する。
論文 参考訳（メタデータ） (2022-11-08T11:44:08Z) - Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。
合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文 参考訳（メタデータ） (2022-02-04T15:46:27Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳（メタデータ） (2021-10-31T16:15:09Z) - SCARF: Self-Supervised Contrastive Learning using Random Feature
Corruption [72.35532598131176]
本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。
SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-29T08:08:33Z) - 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)
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。