論文の概要: Human-annotated label noise and their impact on ConvNets for remote sensing image scene classification

• arxiv url: http://arxiv.org/abs/2305.12106v2
• Date: Tue, 30 Apr 2024 06:52:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 20:07:22.769238
• Title: Human-annotated label noise and their impact on ConvNets for remote sensing image scene classification
• Title（参考訳）: リモートセンシング画像シーン分類のための人間アノテートラベルノイズとConvNetsへの影響
• Authors: Longkang Peng, Tao Wei, Xuehong Chen, Xiaobei Chen, Rui Sun, Luoma Wan, Jin Chen, Xiaolin Zhu,
• Abstract要約: 畳み込みニューラルネットワーク(ConvNet)は衛星画像シーンの分類に成功している。 人間のラベル付きトレーニングデータセットは、ConvNetsが正確な分類を行うために不可欠である。 リモートセンシング画像における実世界の人間のアノテートラベルノイズの分布とConvNetへの影響は検討されていない。
• 参考スコア（独自算出の注目度）: 10.640214274644995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (ConvNets) have been successfully applied to satellite image scene classification. Human-labeled training datasets are essential for ConvNets to perform accurate classification. Errors in human-annotated training datasets are unavoidable due to the complexity of satellite images. However, the distribution of real-world human-annotated label noises on remote sensing images and their impact on ConvNets have not been investigated. To fill this research gap, this study, for the first time, collected real-world labels from 32 participants and explored how their annotated label noise affect three representative ConvNets (VGG16, GoogleNet, and ResNet-50) for remote sensing image scene classification. We found that: (1) human-annotated label noise exhibits significant class and instance dependence; (2) an additional 1% of human-annotated label noise in training data leads to 0.5% reduction in the overall accuracy of ConvNets classification; (3) the error pattern of ConvNet predictions was strongly correlated with that of participant's labels. To uncover the mechanism underlying the impact of human labeling errors on ConvNets, we further compared it with three types of simulated label noise: uniform noise, class-dependent noise and instance-dependent noise. Our results show that the impact of human-annotated label noise on ConvNets significantly differs from all three types of simulated label noise, while both class dependence and instance dependence contribute to the impact of human-annotated label noise on ConvNets. These observations necessitate a reevaluation of the handling of noisy labels, and we anticipate that our real-world label noise dataset would facilitate the future development and assessment of label-noise learning algorithms.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(ConvNet)は衛星画像シーンの分類に成功している。 人間のラベル付きトレーニングデータセットは、ConvNetsが正確な分類を行うために不可欠である。 人間の注釈付きトレーニングデータセットのエラーは、衛星画像の複雑さのために避けられない。 しかし,リモートセンシング画像における実世界の人間関連ラベルノイズの分布とConvNetへの影響は検討されていない。 この研究ギャップを埋めるために、32人の参加者から実世界のラベルを初めて収集し、その注釈付きラベルノイズがリモートセンシング画像シーン分類のための3つの代表ConvNets(VGG16、GoogleNet、ResNet-50)に与える影響を調べた。 その結果,(1)人間のアノテートラベルノイズは,有意なクラスとインスタンス依存性を示し,(2)トレーニングデータに付加されたアノテートラベルノイズの1%は,ConvNets分類の全体的な精度を0.5%低下させる,(3)ConvNet予測の誤りパターンは,参加者のラベルと強く相関していた。 ConvNetsにおける人間のラベル誤りの影響のメカニズムを明らかにするため、シミュレーションされた3種類のラベルノイズ(一様ノイズ、クラス依存ノイズ、インスタンス依存ノイズ)と比較した。 以上の結果から,ConvNetsにおけるヒトのアノテートラベルノイズの影響は3種類のシミュレートラベルノイズと大きく異なるが,クラス依存性とインスタンス依存性は,ヒトのアノテートラベルノイズがConvNetsに与える影響に寄与することが示された。 これらの観測は,ノイズラベルの扱いの再評価を必要とし,実世界のラベルノイズデータセットが,ラベルノイズ学習アルゴリズムの開発と評価を促進することを期待する。

関連論文リスト

• AlleNoise: large-scale text classification benchmark dataset with real-world label noise [40.11095094521714]
  我々は、実世界のインスタンス依存ラベルノイズを持つ新しいキュレートされたテキスト分類ベンチマークであるAlleNoiseを提示する。 ノイズの分布は、主要なeコマースマーケットプレースの実際のユーザから来ており、人間のミスの意味を現実的に反映している。 このような実環境騒音に対処するには,雑音ラベルを用いた学習方法の代表的選択が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-06-24T09:29:14Z)
• Learning Discriminative Dynamics with Label Corruption for Noisy Label Detection [25.55455239006278]
  トレーニング信号のダイナミクスに基づいて,誤ラベル付きインスタンスと正しくラベル付けされたインスタンスを識別するDynaCorフレームワークを提案する。 我々の総合的な実験により、DynaCorは最先端のライバルより優れており、様々なノイズタイプやノイズレートに対して強い堅牢性を示している。
  論文  参考訳（メタデータ） (2024-05-30T10:06:06Z)
• Rethinking Noisy Label Learning in Real-world Annotation Scenarios from the Noise-type Perspective [38.24239397999152]
  本稿では,雑音ラベル学習のためのサンプル選択に基づく新しい手法であるProto-semiを提案する。 Proto-semiは、すべてのサンプルをウォームアップを通じて信頼性と信頼できないデータセットに分割する。 自信のあるデータセットを活用することで、プロトタイプベクターがクラス特性をキャプチャするために構築される。 実世界の注釈付きデータセットの実証評価は、ノイズラベルから学習する問題の処理において、プロトセミの頑健さを裏付けるものである。
  論文  参考訳（メタデータ） (2023-07-28T10:57:38Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Learning with Noisy Labels Revisited: A Study Using Real-World Human Annotations [54.400167806154535]
  ノイズラベルを用いた学習に関する既存の研究は、主に合成ラベルノイズに焦点を当てている。 本研究は2つの新しいベンチマークデータセット(CIFAR-10N, CIFAR-100N)を示す。 実世界のノイズラベルは古典的に採用されたクラス依存のラベルではなく、インスタンス依存のパターンに従うことを示す。
  論文  参考訳（メタデータ） (2021-10-22T22:42:11Z)
• Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
  本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。 本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。 公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-09-15T18:18:28Z)
• How Does Heterogeneous Label Noise Impact Generalization in Neural Nets? [29.326472933292603]
  誤ラベル付き例(ラベルノイズ)は、現実のコンピュータビジョンデータセットで一般的である。 実世界では、ラベルノイズはしばしば異種であり、いくつかのカテゴリーは他のものよりも大きな影響を受けている。
  論文  参考訳（メタデータ） (2021-06-29T14:58:46Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• 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)
• Class2Simi: A Noise Reduction Perspective on Learning with Noisy Labels [98.13491369929798]
  そこで我々は,ノイズのあるクラスラベルを持つデータポイントを,ノイズの多い類似ラベルを持つデータペアに変換するClass2Simiというフレームワークを提案する。 Class2Simiは、この変換がミニバッチのオンザフライであるだけでなく、モデル予測上の損失をペアワイズに変化させるため、計算的に効率的である。
  論文  参考訳（メタデータ） (2020-06-14T07:55:32Z)

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。