論文の概要: Noise-Tolerant Hybrid Prototypical Learning with Noisy Web Data

• arxiv url: http://arxiv.org/abs/2501.02476v1
• Date: Sun, 05 Jan 2025 08:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:08:28.721526
• Title: Noise-Tolerant Hybrid Prototypical Learning with Noisy Web Data
• Title（参考訳）: ノイズの多いWebデータを用いた耐雑音ハイブリッドプロトタイプ学習
• Authors: Chao Liang, Linchao Zhu, Zongxin Yang, Wei Chen, Yi Yang,
• Abstract要約: 我々は,大量の関連性はあるがノイズの多いラベル付けされたWeb画像から,バイアスのない分類器を学習する際の課題に焦点をあてる。 クリーンで多くのノイズの多いシナリオでは、無関係なノイズのある画像が存在するため、クラスプロトタイプは深刻なバイアスを受けることができる。 提案手法では,ノイズ画像の明瞭な分割による多様性を考慮し,最適化の相違を克服する。
• 参考スコア（独自算出の注目度）: 72.32706907910477
• License:
• Abstract: We focus on the challenging problem of learning an unbiased classifier from a large number of potentially relevant but noisily labeled web images given only a few clean labeled images. This problem is particularly practical because it reduces the expensive annotation costs by utilizing freely accessible web images with noisy labels. Typically, prototypes are representative images or features used to classify or identify other images. However, in the few clean and many noisy scenarios, the class prototype can be severely biased due to the presence of irrelevant noisy images. The resulting prototypes are less compact and discriminative, as previous methods do not take into account the diverse range of images in the noisy web image collections. On the other hand, the relation modeling between noisy and clean images is not learned for the class prototype generation in an end-to-end manner, which results in a suboptimal class prototype. In this article, we introduce a similarity maximization loss named SimNoiPro. Our SimNoiPro first generates noise-tolerant hybrid prototypes composed of clean and noise-tolerant prototypes and then pulls them closer to each other. Our approach considers the diversity of noisy images by explicit division and overcomes the optimization discrepancy issue. This enables better relation modeling between clean and noisy images and helps extract judicious information from the noisy image set. The evaluation results on two extended few-shot classification benchmarks confirm that our SimNoiPro outperforms prior methods in measuring image relations and cleaning noisy data.
• Abstract（参考訳）: クリーンなラベル付き画像がいくつかあるだけで、関連性がありうるがノイズの多いラベル付けされたWeb画像から、バイアスのない分類器を学習する難しい問題に焦点をあてる。 ノイズのあるラベル付き自由にアクセス可能なWebイメージを利用することで、高価なアノテーションコストを削減できるため、この問題は特に実用的である。 通常、プロトタイプは、他の画像の分類や識別に使用される代表画像または特徴である。 しかし、いくつかのクリーンで多くのノイズのあるシナリオでは、無関係なノイズのある画像が存在するため、クラスプロトタイプは深刻なバイアスを受けることがある。 結果として得られたプロトタイプは、ノイズの多いWebイメージコレクションのさまざまな範囲のイメージを考慮していないため、コンパクトで差別的ではない。 一方, クラスプロトタイプ生成において, ノイズとクリーンな画像の関係モデリングはエンドツーエンドで学習されないため, サブ最適クラスプロトタイプとなる。 本稿ではSimNoiProという類似度最大化損失を紹介する。 私たちのSimNoiProは、まずクリーンで耐雑音性のあるハイブリッドプロトタイプを作り、それから互いに近づき合います。 提案手法では,ノイズ画像の明瞭な分割による多様性を考慮し,最適化の相違を克服する。 これにより、クリーンな画像とノイズの多い画像との間の関係のモデリングがより良くなり、ノイズの多い画像集合から司法情報を抽出するのに役立つ。 評価結果から,SimNoiProは画像関係の測定やノイズの除去において,従来の手法よりも優れていたことが確認された。

関連論文リスト

• UnSeg: One Universal Unlearnable Example Generator is Enough against All Image Segmentation [64.01742988773745]
  未承認のプライベートデータ上での大規模なイメージセグメンテーションモデルのトレーニングに関して、プライバシーに関する懸念が高まっている。 我々は、学習不可能な例の概念を利用して、学習不可能なノイズを原画像に生成し、付加することにより、モデルトレーニングに使用不能な画像を作成する。 6つのメインストリームイメージセグメンテーションタスク、10つの広く使われているデータセット、7つの異なるネットワークアーキテクチャでUnSegの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-13T16:34:46Z)
• CAPro: Webly Supervised Learning with Cross-Modality Aligned Prototypes [93.71909293023663]
  クロスモダリティ・アライテッド・プロトタイプ(CAPro)は、視覚表現を正しい意味論で学習する統合コントラスト学習フレームワークである。 CAProは、新しい最先端のパフォーマンスを実現し、オープンセット認識に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2023-10-15T07:20:22Z)
• Multi-view Self-supervised Disentanglement for General Image Denoising [22.28610604896056]
  我々は,同じクリーン画像の異なる劣化バージョンが共通の潜伏空間を共有しているという直感的な仮定の下で,ノイズの多い画像のアンタングルを学習することを提案する。 自己教師付き学習フレームワークが提案され,その目標を達成する。 入力と同じ画像の2つの異なる劣化バージョンを取ることで、提案されたMulti-view Self-supervised Disentanglement (MeD)アプローチは、潜伏したクリーンな特徴を破損から切り離し、クリーンなイメージを復元する。
  論文  参考訳（メタデータ） (2023-09-10T14:54:44Z)
• Embedding contrastive unsupervised features to cluster in- and out-of-distribution noise in corrupted image datasets [18.19216557948184]
  Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。 主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。 本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。 比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
  論文  参考訳（メタデータ） (2022-07-04T16:51:56Z)
• 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)
• Weakly Supervised Learning with Side Information for Noisy Labeled Images [41.37584960976829]
  サイド・インフォメーション・ネットワーク(SINet)を用いた効率的な弱教師付き学習法を提案する。 提案したSINetは、ビジュアルプロトタイプモジュールとノイズ重み付けモジュールで構成されている。 提案されたSINetは、ノイズの多い画像ラベルの負の影響を大幅に軽減することができる。
  論文  参考訳（メタデータ） (2020-08-25T05:43:48Z)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)
• 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)
• A Committee of Convolutional Neural Networks for Image Classication in the Concurrent Presence of Feature and Label Noise [0.0]
  この研究は、両種類のノイズの同時発生問題に対処する最初の試みである。 実験により,委員会が単一モデルに勝る差が騒音レベルとともに大きくなることを示した。 本稿では,強力なベースラインアルゴリズムよりも優れた3つの委員会選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-19T00:22:11Z)

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。