論文の概要: Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition

• arxiv url: http://arxiv.org/abs/2307.00880v1
• Date: Mon, 3 Jul 2023 09:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 13:37:54.457242
• Title: Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition
• Title（参考訳）: マルチラベル視覚認識のための共学習によるスティッチアップ
• Authors: Chao Liang, Zongxin Yang, Linchao Zhu, Yi Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.00984078351927
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In real-world scenarios, collected and annotated data often exhibit the characteristics of multiple classes and long-tailed distribution. Additionally, label noise is inevitable in large-scale annotations and hinders the applications of learning-based models. Although many deep learning based methods have been proposed for handling long-tailed multi-label recognition or label noise respectively, learning with noisy labels in long-tailed multi-label visual data has not been well-studied because of the complexity of long-tailed distribution entangled with multi-label correlation. To tackle such a critical yet thorny problem, this paper focuses on reducing noise based on some inherent properties of multi-label classification and long-tailed learning under noisy cases. In detail, we propose a Stitch-Up augmentation to synthesize a cleaner sample, which directly reduces multi-label noise by stitching up multiple noisy training samples. Equipped with Stitch-Up, a Heterogeneous Co-Learning framework is further designed to leverage the inconsistency between long-tailed and balanced distributions, yielding cleaner labels for more robust representation learning with noisy long-tailed data. To validate our method, we build two challenging benchmarks, named VOC-MLT-Noise and COCO-MLT-Noise, respectively. Extensive experiments are conducted to demonstrate the effectiveness of our proposed method. Compared to a variety of baselines, our method achieves superior results.
• Abstract（参考訳）: 実世界のシナリオでは、収集および注釈付きデータは、しばしば複数のクラスと長い尾の分布の特徴を示す。 さらに、大規模アノテーションではラベルノイズは避けられず、学習モデルの適用を妨げる。 長い尾の多ラベル認識やラベルノイズを扱うための深層学習手法が数多く提案されているが、長い尾の多ラベル視覚データにおけるノイズラベルを用いた学習は、多ラベル相関に絡み合った長い尾の分布の複雑さのため、十分に研究されていない。 このような批判的かつ厄介な問題に取り組むため,本論文では,マルチラベル分類と長文学習の固有特性に基づく雑音低減に焦点をあてた。 本研究では,複数の学習サンプルを縫い合わせることにより,マルチラベルノイズを直接低減する,クリーナー試料を合成するためのステッチアップ添加法を提案する。 Stitch-Upと組み合わされた異種共学習フレームワークは、長い尾とバランスの取れた分布の不整合を利用して、ノイズの多い長い尾のデータによるより堅牢な表現学習のためのクリーンなラベルを得るように設計されている。 提案手法を検証するため,VOC-MLT-NoiseとCOCO-MLT-Noiseという2つの挑戦的ベンチマークを構築した。 提案手法の有効性を示すため,広範な実験を行った。 様々なベースラインと比較して,本手法は優れた結果が得られる。

関連論文リスト

• 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)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Combating Noisy Labels in Long-Tailed Image Classification [33.40963778043824]
  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。
  論文  参考訳（メタデータ） (2022-09-01T07:31:03Z)
• Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
  本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。 具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
  論文  参考訳（メタデータ） (2022-08-21T07:47:05Z)
• 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)
• Learning from Noisy Labels for Entity-Centric Information Extraction [17.50856935207308]
  エンティティ中心の情報抽出のための単純な共正規化フレームワークを提案する。 これらのモデルはタスク固有の損失と共同最適化され、同様の予測を生成するために正規化される。 結局のところ、トレーニングされたモデルのいずれかを推論に利用できます。
  論文  参考訳（メタデータ） (2021-04-17T22:49:12Z)
• 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。