論文の概要: RoNFA: Robust Neural Field-based Approach for Few-Shot Image Classification with Noisy Labels

• arxiv url: http://arxiv.org/abs/2506.03461v1
• Date: Tue, 03 Jun 2025 23:57:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.091922
• Title: RoNFA: Robust Neural Field-based Approach for Few-Shot Image Classification with Noisy Labels
• Title（参考訳）: RoNFA:雑音ラベルを用いたFew-Shot画像分類のためのロバストニューラルネットワークによるアプローチ
• Authors: Nan Xiang, Lifeng Xing, Dequan Jin,
• Abstract要約: 本稿では,雑音ラベルを用いた数ショット画像分類のための新しい頑健なニューラルネットワークベース画像アプローチ (RoNFA) を提案する。 RoNFAは、特徴空間と圏表現のための2つのニューラルネットワークで構成され、特徴空間と圏集合に対応する。 予測段階では、これらの受容野の範囲はFCRのニューロンの活性化に応じて適応し、予測精度が保証される。
• 参考スコア（独自算出の注目度）: 2.8402080392117757
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In few-shot learning (FSL), the labeled samples are scarce. Thus, label errors can significantly reduce classification accuracy. Since label errors are inevitable in realistic learning tasks, improving the robustness of the model in the presence of label errors is critical. This paper proposes a new robust neural field-based image approach (RoNFA) for few-shot image classification with noisy labels. RoNFA consists of two neural fields for feature and category representation. They correspond to the feature space and category set. Each neuron in the field for category representation (FCR) has a receptive field (RF) on the field for feature representation (FFR) centered at the representative neuron for its category generated by soft clustering. In the prediction stage, the range of these receptive fields adapts according to the neuronal activation in FCR to ensure prediction accuracy. These learning strategies provide the proposed model with excellent few-shot learning capability and strong robustness against label noises. The experimental results on real-world FSL datasets with three different types of label noise demonstrate that the proposed method significantly outperforms state-of-the-art FSL methods. Its accuracy obtained in the presence of noisy labels even surpasses the results obtained by state-of-the-art FSL methods trained on clean support sets, indicating its strong robustness against noisy labels.
• Abstract（参考訳）: 少数ショット学習(FSL)では、ラベル付きサンプルは少ない。 したがって、ラベル誤差は分類精度を著しく低下させることができる。 ラベルエラーは現実的な学習タスクでは避けられないため、ラベルエラーが存在する場合のモデルの堅牢性を改善することが重要である。 本稿では,雑音ラベルを用いた数ショット画像分類のための新しい頑健なニューラルネットワークベース画像アプローチ (RoNFA) を提案する。 RoNFAは特徴表現とカテゴリー表現のための2つのニューラルネットワークから構成される。 それらは特徴空間と圏集合に対応する。 カテゴリー表現のための分野(FCR)の各ニューロンは、ソフトクラスタリングによって生成されたカテゴリに対して、代表ニューロンを中心とする特徴表現(FFR)の分野に受容野(RF)を有する。 予測段階では、これらの受容野の範囲はFCRのニューロンの活性化に応じて適応し、予測精度が保証される。 これらの学習戦略は、ラベルノイズに対して優れた数ショット学習能力と強い頑健性を備えたモデルを提供する。 3種類のラベルノイズを持つ実世界のFSLデータセットに対する実験結果から,提案手法が最先端のFSL法より有意に優れていることが示された。 ノイズラベルの存在下で得られた精度は、クリーンサポートセットで訓練された最先端のFSL法による結果よりも優れており、ノイズラベルに対する強い堅牢性を示している。

関連論文リスト

• VLM-CPL: Consensus Pseudo Labels from Vision-Language Models for Human Annotation-Free Pathological Image Classification [23.08368823707528]
  本稿では,VLM(Venture-Language Models)を利用した画像分類法を提案する。 2つのノイズラベルフィルタリング技術と半教師付き学習戦略を統合した,コンセンサス擬似ラベルに基づく新しい手法 VLM-CPL を提案する。 実験の結果,HPHデータセットとLC25Kデータセットの精度は87.1%,95.1%であった。
  論文  参考訳（メタデータ） (2024-03-23T13:24:30Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)
• Towards Harnessing Feature Embedding for Robust Learning with Noisy Labels [44.133307197696446]
  ディープニューラルネットワーク(DNN)の記憶効果は,近年のラベルノイズ学習法において重要な役割を担っている。 ラベルノイズを用いたディープラーニングのための新しい特徴埋め込み方式, LabEl Noise Dilution (LEND) を提案する。
  論文  参考訳（メタデータ） (2022-06-27T02:45:09Z)
• 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)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• 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)
• Delving Deep into Label Smoothing [112.24527926373084]
  ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化 対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
  論文  参考訳（メタデータ） (2020-11-25T08:03:11Z)
• Combining Self-Supervised and Supervised Learning with Noisy Labels [41.627404715407586]
  畳み込みニューラルネットワーク(CNN)は、ノイズの多いラベルに容易に適合する。 CNNを堅牢にトレーニングすることは、大きな課題でした。
  論文  参考訳（メタデータ） (2020-11-16T18:13:41Z)

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。