論文の概要: Learning Sign Language Recognition under Label Noise: A Study of Noise-Robust Losses for Isolated and Continuous Settings
- arxiv url: http://arxiv.org/abs/2609.12885v1
- Date: Fri, 11 Sep 2026 14:11:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.770866
- Title: Learning Sign Language Recognition under Label Noise: A Study of Noise-Robust Losses for Isolated and Continuous Settings
- Title（参考訳）: ラベル雑音下で手話認識を学習する:孤立的・連続的設定のためのノイズ・ロバスト損失の検討
- Abstract要約: 手話認識において、孤立した(I SLR)分類損失は、単一のラベルを基底真理として扱う。
確率的変動は、連続(CSLR)法におけるI SLRアノテーションと時間境界の欠如を曖昧にする。
我々は、画像分類からクロスエントロピー(CE)の頑健な代替として、対称および一般化クロスエントロピー(SCE, GCE)を適用した。
- 参考スコア（独自算出の注目度）: 3.7732367782102236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In sign language recognition, the isolated (ISLR) classification loss treats a single label as ground truth, as does the frame-level auxiliary classifier over pseudo-labels we add to continuous (CSLR) methods, which lack one. Stylistic variation blurs ISLR annotation and the lack of temporal boundaries in CSLR forces pseudo-labels; both are noisy. We therefore apply symmetric and generalized cross entropy (SCE, GCE), robust alternatives to cross entropy (CE) from image classification, not to connectionist temporal classification but to the preceding single-label classifier. On ASL Citizen with injected symmetric noise on three backbones (three seeds for ST-GCN), robust losses cost at most 2.5 pt when labels are clean and beat CE by 2.9-10.0 pt in all six conditions at noise rate 0.2, one of which only after q was re-selected on dev. GCE gains more, but its optimal q does not transfer across backbones, whereas one SCE setting works in all nine conditions; both vary 2-11 times more than CE across runs, so a favorable point estimate does not establish stability. For CSLR (PHOENIX-2014) we report no gain; our frame-level targets carry a systematic assignment bias, making that study a diagnosis of a single configuration. At lambda_aux = 25 the pseudo-label CE auxiliary raises word error rate above the no-auxiliary baseline on VAC, CorrNet and SlowFastSign, and GCE/SCE improve on CE by 1.7-3.2 pt (three of six conditions return below that baseline). However, the three losses differ by more than an order of magnitude in effective gradient at a common lambda_aux: matching the initial gradient shrinks the gap to 0.4-0.9 pt, and lowering the CE weight alone already beats that baseline, so neither the degradation nor the improvement can be separated from the effect of the weight. We use only symmetric noise; multi-seed evaluation covers only ST-GCN and VAC isolated.
- Abstract（参考訳）: 手話認識では、独立した(ISLR)分類損失は、連続的な(CSLR)メソッドに追加する擬似ラベル上のフレームレベル補助分類器と同様に、単一のラベルを基底真理として扱う。
立体的変動はISLRアノテーションを曖昧にし、CSLRにおける時間境界の欠如は擬似ラベルを強制する。
したがって、画像分類からクロスエントロピー(CE)への頑健な代替手段である対称および一般化クロスエントロピー(SCE, GCE)をコネクショニスト時間分類ではなく、先行するシングルラベル分類器に適用する。
3つのバックボーンに対称ノイズを注入したASL市民(ST-GCNは3種)では、ラベルを清潔にし、ノイズレート0.2の6条件すべてでCEを2.9-10.0 ptで打ち負かすと、少なくとも2.5 ptのロバストな損失コストが生じる。
GCEはより多くを得るが、最適なqはバックボーン間を移動しないが、一方のSCE設定は9つの条件すべてで機能する。
CSLR (PHOENIX-2014) について、我々は利得を報告していない。
lambda_aux = 25 では、擬ラベルCE補助語は、VAC、CorrNet、SlowFastSignの非補助語ベースラインよりも単語エラー率を高くし、GCE/SCE は CE を 1.7-3.2 pt 改善する(6つの条件のうち3つは、そのベースラインより下にある)。
しかし、3つの損失は、共通のlambda_auxにおける有効勾配の桁違い以上の差があり、初期勾配の一致はギャップを0.4〜0.9 ptに縮め、CE重みのみを下げることがベースラインに勝っているため、劣化も改善も重みの影響から分離できない。
マルチシード評価はST-GCNとVACのみを対象としている。
関連論文リスト
- Leveraging Dissimilarity Invariance as a Robust Anchor for Learning with Noisy Labels [7.387043782056831]
ディープラーニングモデルは視覚認識に優れるが、トレーニングラベルがノイズによって破損した場合、厳しいパフォーマンス低下を被る。
我々は、ラベルノイズにもかかわらず無関係なサンプル間の意味的相違が安定している現象、異種性不変性(dissimilarity invariance)を明らかにする。
脆弱な類似性から堅牢な相似性へと焦点を移すプラグイン・アンド・プレイフレームワークであるNegScaleを提案する。
論文 参考訳（メタデータ） (2026-07-20T11:56:56Z) - Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。
本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
論文 参考訳（メタデータ） (2025-10-10T17:50:31Z) - CW-BASS: Confidence-Weighted Boundary-Aware Learning for Semi-Supervised Semantic Segmentation [26.585985828583304]
半教師付きセマンティックセマンティックセグメンテーション(SSSS)は,ラベル付きサンプルを限定した大量のラベル付きデータを活用することで,パフォーマンスの向上を目指している。
既存の手法はしばしば結合に悩まされ、初期ラベル付きデータへの過度な依存は、最適以下の学習に繋がる。
SSSSの新しいフレームワークであるCW-BASSを提案する。
論文 参考訳（メタデータ） (2025-02-21T02:24:10Z) - Bridging Generative and Discriminative Noisy-Label Learning via Direction-Agnostic EM Formulation [26.430145104987982]
生成雑音ラベル学習のための一段階EMスタイルのフレームワークを提案する。
提案手法は, 最先端の精度, 遷移行列推定誤差の低減, および現在の生成的および識別的ベースラインよりも大幅に少ないトレーニング計算を実現する。
論文 参考訳（メタデータ） (2023-08-02T14:48:25Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - Class Prototype-based Cleaner for Label Noise Learning [73.007001454085]
半教師付き学習法は、雑音ラベル学習問題に対する現在のSOTAソリューションである。
textbfClass textbfPrototype-based label textbfCleaner。
論文 参考訳（メタデータ） (2022-12-21T04:56:41Z) - Identifying Hard Noise in Long-Tailed Sample Distribution [71.8462682319137]
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) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z) - 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) - 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)
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。