關於弱標籤問題的相關論文略讀

 

Iterative Teaching by Label Synthesis (NIPS, 2021)

評論:https://openreview.net/forum?id=9rphbXqgmqM, Spotlight

代碼:暫未找到。

簡介:本文作者認爲真實標籤並不一定是模型學習的最佳選擇,因此提出一個自適應合成的僞標籤來訓練模型,從而提高模型的收斂性。

 

Weak-shot Fine-grained Classification via Similarity Transfer (NPIS, 2021)

評論:

  1. https://openreview.net/forum?id=wDJUUcCTNI2
  2. https://openreview.net/forum?id=wDJUUcCTNI2

代碼:https://github.com/bcmi/SimTrans-Weak-Shot-Classification

簡介:在噪聲標籤問題方面,提出了利用轉移相似度處理標籤噪聲的兩種方法:樣本加權和圖正則化。

 

Mixed Supervised Object Detection by Transferring Mask Prior and Semantic Similarity (NIPS, 2021)

評論:https://openreview.net/forum?id=QXDePagJ1X3

代碼:https://github.com/bcmi/TraMaS-Weak-Shot-Object-Detection

簡介:在噪聲標籤方面,本文利用了一個相似度網絡來學習語義相似度,從而緩解噪聲標籤問題。該點可以試試。

 

Curriculum Learning in Label Noise

1. Self-Paced Robust Learning for Leveraging Clean Labels in Noisy Data (AAAI 2020)

鏈接:https://ojs.aaai.org/index.php/AAAI/article/view/6166

代碼:暫無。

簡介:利用大規模噪聲數據和少量乾淨數據來訓練一個魯棒模型,提出了一種新穎的自定節奏魯棒學習算法(SPRL),該算法在標籤良好的數據監督下,在從更可靠(乾淨)的數據實例到更不可靠(有噪聲)的數據實例的過程中訓練模型。

 

2. MentorNet: Learning Data-Driven Curriculum for Very Deep Neural Networks on Corrupted Labels (ICML 2018)

代碼:https://github.com/google/mentornet

鏈接:https://arxiv.org/abs/1712.05055

簡介:MentorNet通過爲樣本提供課程權重,從而實現對含噪聲標籤樣本的學習。

 

3.CurriculumNet: Weakly Supervised Learning from Large-Scale Web Images (ECCV, 2018)

代碼:https://github.com/guoshengcv/CurriculumNet

鏈接:https://arxiv.org/abs/1808.01097

簡介:設計了一個新的學習課程,利用分佈密度以無監督的方式對數據複雜度進行排名,能夠在大規模弱監督網絡圖像上訓練深度神經網絡,從而有效地處理大量的噪聲標籤和數據不平衡問題。

 

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章