論文の概要: Confidence-based Reliable Learning under Dual Noises
- arxiv url: http://arxiv.org/abs/2302.05098v1
- Date: Fri, 10 Feb 2023 07:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 16:21:00.916920
- Title: Confidence-based Reliable Learning under Dual Noises
- Title（参考訳）: デュアルノイズ下における信頼度に基づく信頼度学習
- Authors: Peng Cui, Yang Yue, Zhijie Deng, Jun Zhu
- Abstract要約: ディープニューラルネットワーク(DNN)は、様々なコンピュータビジョンタスクにおいて顕著な成功を収めている。
しかし、オープンワールドから収集されたデータはノイズによって必然的に汚染され、学習されたモデルの有効性を著しく損なう可能性がある。
データノイズ下でDNNを確実に訓練する様々な試みがなされているが、ラベルに存在するノイズと画像に存在するノイズを別々に考慮している。
この作業は、ジョイント(イメージ、ラベル)ノイズの下での信頼性学習のための、最初の統一されたフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 46.45663546457154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks (DNNs) have achieved remarkable success in a variety of
computer vision tasks, where massive labeled images are routinely required for
model optimization. Yet, the data collected from the open world are unavoidably
polluted by noise, which may significantly undermine the efficacy of the
learned models. Various attempts have been made to reliably train DNNs under
data noise, but they separately account for either the noise existing in the
labels or that existing in the images. A naive combination of the two lines of
works would suffer from the limitations in both sides, and miss the
opportunities to handle the two kinds of noise in parallel. This work provides
a first, unified framework for reliable learning under the joint (image,
label)-noise. Technically, we develop a confidence-based sample filter to
progressively filter out noisy data without the need of pre-specifying noise
ratio. Then, we penalize the model uncertainty of the detected noisy data
instead of letting the model continue over-fitting the misleading information
in them. Experimental results on various challenging synthetic and real-world
noisy datasets verify that the proposed method can outperform competing
baselines in the aspect of classification performance.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、様々なコンピュータビジョンタスクにおいて、モデル最適化に大量のラベル付きイメージが日常的に必要となる顕著な成功を収めている。
しかし、オープンワールドから収集されたデータはノイズによって不可避的に汚染され、学習モデルの有効性を著しく損なう可能性がある。
データノイズ下でDNNを確実に訓練する様々な試みがなされているが、ラベルに存在するノイズと画像に存在するノイズを別々に考慮している。
2つの作品の組み合わせは両サイドの限界に苦しめられ、2種類のノイズを並行して処理する機会を逃すことになる。
この作業は、ジョイント(イメージ、ラベル)ノイズの下での信頼性学習のための、最初の統一されたフレームワークを提供する。
技術面では,事前のノイズ比を必要とせず,徐々にノイズデータをフィルタリングする信頼度に基づくサンプルフィルタを開発した。
そして、検出されたノイズデータのモデル不確実性を、誤認した情報を過度に適合させることなく、ペナルティ化する。
様々な難解な合成データと実世界のノイズデータセットの実験結果は、提案手法が分類性能の面で競合するベースラインを上回ることを検証している。
関連論文リスト
- Identifying Hard Noise in Long-Tailed Sample Distribution [76.16113794808001]
NLT(Noisy Long-Tailed Classification)を紹介する。
ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。
我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
論文 参考訳（メタデータ） (2022-07-27T09:03:03Z) - Uncertainty-Aware Learning Against Label Noise on Imbalanced Datasets [23.4536532321199]
不整合データセットのラベルノイズを処理するための不確かさを意識したラベル補正フレームワークを提案する。
本研究では,不均衡なデータセットのラベルノイズを処理するために,不確かさを意識したラベル補正フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-12T11:35:55Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - A Unified Plug-and-Play Framework for Effective Data Denoising and
Robust Abstention [4.200576272300216]
基礎となるデータ密度を利用した統合フィルタリングフレームワークを提案する。
我々のフレームワークは、トレーニングデータを効果的にデノベートし、不確実なテストデータポイントの予測を避けることができる。
論文 参考訳（メタデータ） (2020-09-25T04:18:08Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Dual Adversarial Network: Toward Real-world Noise Removal and Noise
Generation [52.75909685172843]
実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。
本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。
本手法はクリーンノイズ画像対の連成分布を学習する。
論文 参考訳（メタデータ） (2020-07-12T09:16:06Z) - Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。
従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。
本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-07T07:19:48Z)
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。