CN117523213B - 一种基于元去噪和负学习的噪声标签识别方法 - Google Patents

一种基于元去噪和负学习的噪声标签识别方法 Download PDF

Info

Publication number
CN117523213B
CN117523213B CN202410011290.3A CN202410011290A CN117523213B CN 117523213 B CN117523213 B CN 117523213B CN 202410011290 A CN202410011290 A CN 202410011290A CN 117523213 B CN117523213 B CN 117523213B
Authority
CN
China
Prior art keywords
image
noise
sample
tag
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410011290.3A
Other languages
English (en)
Other versions
CN117523213A (zh
Inventor
黄圣君
宗辰辰
谢明昆
宁鲲鹏
邹博士
梁栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202410011290.3A priority Critical patent/CN117523213B/zh
Publication of CN117523213A publication Critical patent/CN117523213A/zh
Application granted granted Critical
Publication of CN117523213B publication Critical patent/CN117523213B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于元去噪和负学习的噪声标签识别方法。该方法利用公开的已知含噪信息的数据集或手工构造的含噪数据集，训练一个或多个模型用于记录每个样本在训练过程中的元损失变化情况。进而，将样本的过程元损失及含噪标签输入到二分类模型进行训练，得到可用于目标任务的噪声鉴别模型。在进行目标任务学习时，输入样本的过程损失即可得到样本是否含噪的预测结果。一方面，该方法利用相似类型任务上噪声的产生方式具有共通性这一特点，以一种低代价的方式将已有任务上的噪声元信息迁移到新的目标任务；另一方面该方法采用负学习的方式对样本进行训练，得益于负学习对噪声较强的鉴别能力，本发明方法可获得优异的性能表现。

Description

一种基于元去噪和负学习的噪声标签识别方法
技术领域
本发明涉及图像处理技术领域，主要涉及一种基于元去噪和负学习的噪声标签识别方法。
背景技术
在现实复杂的生活场景中，由于人工失误、原始数据噪声和专业知识不足等问题，导致实际采集得到的数据常常包含错误的标签，或者只包含少量的真实性可靠的标签。许多基准图像分类数据集，如ImageNet，CIFAR-10/-100，MNIST，QuickDraw等，都包含3%~10%的噪声标签样本。
目前，识别图像分类数据集中图像样本是否含噪声标签的方法均基于小损失准则提出，即认为训练过程中损失数值较小的图像样本更有可能为含噪声标签的图像样本。该类方法大都只采用样本在某一训练轮次的损失，缺乏对样本损失信息的充分利用。且对选取轮次的时机要求较高，若选取较晚，导致含噪声标签的图像样本已经被模型过拟合，小损失准则将会无效。此外这些方法大都只基于训练任务数据集，而没有考虑到引入其它相似类型任务的已有信息。目前，不断有各种类型的信息明确的含噪数据集得到公开，这类数据的获取是无代价的。相似类型任务上噪声的产生方式通常是类似的，在模型训练上也会具有许多相似的特点。为了应对这些问题，迁移已有相关任务上的噪声信息到现有任务上，且选择采用图像样本整个训练过程的训练损失集合会是一种比较好的解决思路。
发明内容
发明目的：为了解决上述背景技术中存在的问题，本发明提供了一种基于元去噪和负学习的噪声标签识别方法，可以从图像分类数据集中有效过滤含噪声标签的图像样本，然后基于过滤后的图像分类数据集重新进行训练，可有效提升噪声标签学习任务下用户的使用体验，且提升现有方法的学习潜力。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于元去噪和负学习的噪声标签识别方法，包括以下步骤：
步骤S1、获取由个含噪声标签的图像分类数据集组成的集合，/>为第/>个含噪声标签的图像分类数据集、/>个第一模型，/>为第/>个第一模型、目标任务图像分类数据集/>、用于训练目标任务图像分类数据集/>的第二模型/>、噪声标签鉴别模型/>、噪声标签过滤的阈值/>；
步骤S2、通过第一模型以负学习的方式训练图像分类数据集/>，并记录图像样本的样本损失，然后根据样本损失构建元数据集；
步骤S3、根据步骤S2构建的元数据集再构建新的元数据集，并通过再构建新的元数据集训练噪声标签鉴别模型；
步骤S4、通过第二模型以负学习的方式训练目标任务图像分类数据集/>，并记录样本损失；
步骤S5、利用步骤S3中的训练好的噪声标签鉴别模型过滤含噪声标签的图像样本，得到过滤后的目标任务图像分类数据集/>。
优选的，步骤S1中：
对于第个含噪声标签的图像分类数据集/>，其满足：
；
表示图像分类数据集/>中的第/>个图像样本，表示图像样本/>给定的标签，/>表示图像分类数据集给定的标签集合，/>为给定的标签集合/>中第/>个给定的标签；/>表示图像样本的含噪信息：当/>时，图像样本/>不含噪声标签，/> 时，图像样本/>含噪声标签，/>表示图像分类数据集/>包含的图像样本个数；
对于目标任务图像分类数据集，其满足：
；
表示目标任务图像分类数据集/>中的第/>个图像样本，表示图像样本/>给定的标签，/>表示目标任务图像分类数据集/>给定的标签集合，/>为给定的标签集合/>中第/>个给定的标签，/>表示目标任务图像分类数据集/>包含的图像样本个数。
优选的，步骤S2中：通过第一模型以负学习的方式训练图像分类数据集/>，将图像分类数据集/>中图像样本/>由第一模型/>预测的结果表示为/>；
对于图像样本，在每个训练轮次，在给定的标签集合/>中从给定的标签/>外剩余的给定标签中随机选择一个作为补标签/>，使用如下的损失计算方式进行第一模型/>的更新：
;
其中表示第m个补标签，损失函数/>用于度量图像样本/>的预测结果/>与补标签/>之间的差异；
记录图像样本在第e个训练轮次的样本损失/>：
;
经历个训练轮次后得到图像样本/>的样本损失集合，结合含噪信息/>判断图像样本/>是否含噪声标签，构造图像分类数据集/>对应的元数据集/>，/>表示图像分类数据集/>包含的图像样本个数；然后计算其他含噪声标签图像分类数据集的元数据集，得到元数据集的集合/>。
优选的，步骤S3中，对于步骤S2中获得的元数据集的集合，构造新的元数据集，表示为：/>；其中，/>为并集，K为第K个元数据集， />为元数据集/>中的第/>个图像样本的样本损失集合，为元数据集/>中的第/>个图像样本的含噪信息：当/>时，图像样本/>不含噪声标签，当/>时，图像样本/>含噪声标签；
利用元数据集训练噪声标签鉴别模型/>，元数据集/>中第/>个图像样本的样本损失集合/>由噪声标签鉴别模型/>预测的结果表示为/>,使用如下的损失计算方式进行噪声标签鉴别模型/>的更新：
;
损失函数用于度量第/>个图像样本的预测结果/>与含噪信息/>之间的差异。
优选的，步骤S4中：利用第二模型以负学习的方式训练目标任务图像分类数据集/>，目标任务图像分类数据集/>中图像样本/>由第二模型/>预测的结果表示为；
对于图像样本，在每个训练轮次，在给定的标签集合/>中从给定的标签/>外剩余的给定标签中随机选择一个作为补标签/>，使用如下的损失计算方式进行第二模型的更新：
;
其中表示第/>个补标签，损失函数/>用于度量图像样本/>的预测结果/>与补标签/>之间的差异；
记录图像样本在第e个训练轮次的样本损失/>：
;
经历个训练轮次后得到样本损失集合/>。
优选的，步骤S5中，将图像样本的样本损失集合输入到训练好的噪声标签鉴别模型/>中，获取图像样本被预测为含噪声标签图像样本的概率/>，/>，根据设定的阈值/>，如果则过滤图像样本/>，否则保留图像样本/>，即得到过滤后的目标任务图像分类数据集/>。
有益效果：
本发明方法利用含噪图像分类数据集，训练一个或多个模型用于记录每个图像样本在训练过程中的元损失变化情况。进而，将图像样本的过程元损失及含噪标签输入到噪声鉴别模型中进行训练，得到可用于目标任务的噪声鉴别模型。在进行目标任务学习时，首先收集训练图像样本的过程损失，进而输入图像样本的过程损失即可得到样本是否含噪的预测结果。一方面，该方法利用相似类型任务上噪声的产生方式具有共通性这一特点，以一种低代价的方式将已有任务上的噪声元信息迁移到新的目标任务；另一方面该方法采用负学习的方式对样本进行训练，得益于负学习对噪声较强的鉴别能力，本发明方法可获得优异的识别性能表现。
附图说明
图1是本发明提供的基于元去噪和负学习的噪声标签识别方法流程图；
图2是本发明提供的基于元去噪和负学习的噪声标签识别方法框架结构图；
图3是本发明存在已知含噪情况数据集下的具体实施图示例；
图4是本发明不存在已知含噪情况数据集下的具体实施图示例。
实施方式
下面结合附图对本发明作更进一步的说明。
本发明提供的分基于元去噪和负学习的噪声标签识别方法如图1所示。具体包括以下步骤：
步骤S1、配置噪声标记学习任务场景参数：
获取由个含噪声标签图像分类数据集组成的集合/>，/>为第/>个含噪声标签的图像分类数据集、/>个第一模型/>，/>为第/>个第一模型、目标任务图像分类数据集/>、用于训练目标任务图像分类数据集/>的第二模型、噪声标签鉴别模型/>、噪声标签过滤的阈值/>；
针对便于收集已知含噪声标签图像分类数据集的场景可参照图3执行后续流程。若不存在已知含噪声标签图像分类数据集，参照图4执行后续流程。具体而言，对图4，可收集一些与目标任务类似的数据集，在获取数据集后，通过对称噪声、非对称噪声等噪声产生方法生成含噪声标签图像分类数据集用于后续流程。
步骤S2、基于含噪声标签图像分类数据集进行负学习并记录样本损失：通过第一模型以负学习的方式训练图像分类数据集/>，并记录图像的样本损失，然后根据样本损失构建元数据集：
对于含噪声标签图像分类数据集组成的集合，利用对应的模型/>以负学习的方式进行训练。具体做法是，在进行训练时，对于图像分类数据集中的各个图像样本在每个训练轮次，从给定标签外的剩余标签中随机选择一个标签作为训练标签/>，使用如下的损失计算方式进行模型更新：
其中表示第c个补标签。另外，在对损失进行记录时，以给定标签利用如下交叉熵损失进行计算：
如图2所示，在步骤S2阶段，基于对应图像分类数据集采用负学习的方式进行训练并收集每一个图像样本在训练过程中的过程损失，最终可构造一过程损失数据集，即元数据集。
步骤S3、根据样本损失和含噪标签训练噪声鉴别模型：根据步骤S2构建的元数据集再构建新的元数据集，并通过再构建新的元数据集训练噪声鉴别模型：
对于步骤S2中基于获得的各个图像样本的损失情况，以及各个图像样本的含噪情况，构造新的元数据集/>，其中：。利用元数据集/>训练噪声鉴别模型/>。
具体地，根据已知含噪声标签的图像分类数据集的差异性，可以选择直接将各个含噪声标签的图像分类数据集收集到的各样本训练损失和含噪信息输入到同一个噪声判别模型中进行二分类训练，也可以分别输入到不同的噪声判别模型/>中进行二分类训练。对于后者，在后续预测时通过各个模型的输出取均值进行预测。
如图2所示，选择LSTM-FCN网络作为噪声鉴别模型，基于构造的元数据集可训练得到具有良好泛化性能的噪声鉴别模型。
步骤S4、对目标任务图像分类数据集进行负学习并记录样本损失；
对于目标任务图像分类数据集，利用模型/>以负学习的方式进行训练，在训练过程中，对于每个图像样本以给定标签利用交叉熵损失进行计算并记录损失情况。得到测试元数据集/>。
如图2、图3、图4所示，首先在目标任务上利用分类模型利用负学习的方式对图像样本进行训练，收集每个图像样本的过程损失。
步骤S5、利用步骤S3中的噪声鉴别模型过滤噪声样本；
对于步骤S4获得的各个图像样本的损失情况，输入到噪声判别模型g中，获取各个图像样本被预测为噪声标记样本的概率，根据设定的阈值t对图像样本进行过滤，得到过滤后的图像分类数据集。进而，利用图像分类模型/>进行正常的模型训练，并输出模型。
如图2所示，利用步骤S3得到的噪声鉴别网络，输入步骤S4得到的训练数据过程损失，进行预测。基于给定的划分阈值，可将样本区分为干净样本和噪声样本。进而，可基于划分后的数据采用相应的训练方法进行后续训练。
表1：
表1以部分真实的公开图像分类数据集为例，展示了噪声鉴别模型在目标任务图像分类数据集/>上对含噪声标签图像样本的识别准确率。其中，/>、/>、/>和/>表示已知含噪声标签的图像分类数据集，在已知含噪图像分类数据集/>、/>、/>和/>上分别训练250个轮次并收集图像样本的过程损失得到元数据集/>，将元数据集/>用于训练噪声鉴别模型/>，即得到训练好的噪声鉴别模型/>；/>为设定的阈值，为了衡量识别准确率，阈值/>设定为与目标任务图像分类数据集/>的噪声标签比例一致。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于元去噪和负学习的噪声标签识别方法，其特征在于，包括以下步骤：
步骤S1、获取由个含噪声标签的图像分类数据集组成的集合/>，为第/>个含噪声标签的图像分类数据集、/>个第一模型/>，/>为第个第一模型、目标任务图像分类数据集/>、用于训练目标任务图像分类数据集/>的第二模型/>、噪声标签鉴别模型/>、噪声标签过滤的阈值/>；
步骤S2、通过第一模型以负学习的方式训练图像分类数据集/>，并记录图像样本的样本损失，然后根据样本损失构建元数据集；
步骤S3、根据步骤S2构建的元数据集再构建新的元数据集，并通过再构建新的元数据集训练噪声标签鉴别模型；
步骤S4、通过第二模型以负学习的方式训练目标任务图像分类数据集/>，并记录样本损失；
步骤S5、利用步骤S3中的训练好的噪声标签鉴别模型过滤含噪声标签的图像样本，得到过滤后的目标任务图像分类数据集/>；
步骤S1中：
对于第个含噪声标签的图像分类数据集/>，其满足：
；
表示图像分类数据集/>中的第/>个图像样本，/>表示图像样本/>给定的标签，/>表示图像分类数据集/>给定的标签集合，/>为给定的标签集合/>中第/>个给定的标签；/>表示图像样本/>的含噪信息：当/>时，图像样本/>不含噪声标签，/> 时，图像样本/>含噪声标签，/>表示图像分类数据集包含的图像样本个数；
对于目标任务图像分类数据集，其满足：
；
表示目标任务图像分类数据集/>中的第/>个图像样本，表示图像样本/>给定的标签，/>表示目标任务图像分类数据集/>给定的标签集合，/>为给定的标签集合/>中第/>个给定的标签，/>表示目标任务图像分类数据集/>包含的图像样本个数；
步骤S2中：通过第一模型以负学习的方式训练图像分类数据集/>，将图像分类数据集/>中图像样本/>由第一模型/>预测的结果表示为/>；
对于图像样本，在每个训练轮次，在给定的标签集合/>中从给定的标签/>外剩余的给定标签中随机选择一个作为补标签/>，使用如下的损失计算方式进行第一模型的更新：
;
其中表示第m个补标签，损失函数/>用于度量图像样本/>的预测结果/>与补标签/>之间的差异；
记录图像样本在第e个训练轮次的样本损失/>：
;
经历个训练轮次后得到图像样本/>的样本损失集合，结合含噪信息/>判断图像样本/>是否含噪声标签，构造图像分类数据集/>对应的元数据集/>，/>表示图像分类数据集/>包含的图像样本个数；然后计算其他含噪声标签图像分类数据集的元数据集，得到元数据集的集合/>；
步骤S3中，对于步骤S2中获得的元数据集的集合，构造新的元数据集，表示为：；其中，/>为并集，k表示第k个元数据集， />为元数据集/>中的第/>个图像样本的样本损失集合，/>为元数据集/>中的第/>个图像样本的含噪信息：当/>时，图像样本/>不含噪声标签，当/>时，图像样本/>含噪声标签；
利用元数据集训练噪声标签鉴别模型/>，元数据集/>中第/>个图像样本的样本损失集合/>由噪声标签鉴别模型/>预测的结果表示为/>, 使用如下的损失计算方式进行噪声标签鉴别模型/>的更新：
;
损失函数用于度量第/>个图像样本的预测结果/>与含噪信息之间的差异；
步骤S4中：利用第二模型以负学习的方式训练目标任务图像分类数据集/>，目标任务图像分类数据集/>中图像样本/>由第二模型/>预测的结果表示为/>；
对于图像样本，在每个训练轮次，在给定的标签集合/>中从给定的标签/>外剩余的给定标签中随机选择一个作为补标签/>，使用如下的损失计算方式进行第二模型/>的更新：
;
其中表示第/>个补标签，损失函数/>用于度量图像样本/>的预测结果/>与补标签/>之间的差异；
记录图像样本在第e个训练轮次的样本损失/>：
;
经历个训练轮次后得到样本损失集合/>；
步骤S5中，将图像样本的样本损失集合/>输入到训练好的噪声标签鉴别模型/>中，获取图像样本/>被预测为含噪声标签图像样本的概率/>，/>，根据设定的阈值/>，如果/>则过滤图像样本/>，否则保留图像样本/>，即得到过滤后的目标任务图像分类数据集/>。
CN202410011290.3A 2024-01-04 2024-01-04 一种基于元去噪和负学习的噪声标签识别方法 Active CN117523213B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410011290.3A CN117523213B (zh) 2024-01-04 2024-01-04 一种基于元去噪和负学习的噪声标签识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410011290.3A CN117523213B (zh) 2024-01-04 2024-01-04 一种基于元去噪和负学习的噪声标签识别方法

Publications (2)

Publication Number Publication Date
CN117523213A CN117523213A (zh) 2024-02-06
CN117523213B true CN117523213B (zh) 2024-03-29

Family

ID=89742344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410011290.3A Active CN117523213B (zh) 2024-01-04 2024-01-04 一种基于元去噪和负学习的噪声标签识别方法

Country Status (1)

Country Link
CN (1) CN117523213B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463953A (zh) * 2017-07-21 2017-12-12 上海交通大学 在标签含噪情况下基于质量嵌入的图像分类方法及系统
CN111401558A (zh) * 2020-06-05 2020-07-10 腾讯科技（深圳）有限公司 数据处理模型训练方法、数据处理方法、装置、电子设备
CN113139628A (zh) * 2021-06-22 2021-07-20 腾讯科技（深圳）有限公司 样本图像的识别方法、装置、设备及可读存储介质
CN113704389A (zh) * 2021-03-11 2021-11-26 腾讯科技（深圳）有限公司 一种数据评估方法、装置、计算机设备及存储介质
WO2022032471A1 (zh) * 2020-08-11 2022-02-17 香港中文大学（深圳） 一种神经网络模型的训练方法、装置、存储介质及设备
CN114114363A (zh) * 2021-11-08 2022-03-01 北京邮电大学 基于时频和卷积神经网络的机会信号感知方法、系统及机会信号定位方法
CN114332578A (zh) * 2021-09-15 2022-04-12 广州腾讯科技有限公司 图像异常检测模型训练方法、图像异常检测方法和装置
CN114758142A (zh) * 2022-04-07 2022-07-15 桂林电子科技大学 一种鲁棒去噪框架的带噪声标签图像分类方法
CN115331088A (zh) * 2022-10-13 2022-11-11 南京航空航天大学 基于带有噪声和不平衡的类标签的鲁棒学习方法
CN115331065A (zh) * 2022-10-13 2022-11-11 南京航空航天大学 基于解码器迭代筛选的鲁棒噪声多标签图像学习方法
CN115630164A (zh) * 2022-10-14 2023-01-20 匀熵智能科技(无锡)有限公司 基于正负向联合学习和原型表示的远程监督关系抽取方法
CN117010454A (zh) * 2022-11-02 2023-11-07 腾讯科技（深圳）有限公司 神经网络训练方法、装置、电子设备以及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230196087A1 (en) * 2021-10-26 2023-06-22 Tencent America LLC Instance adaptive training with noise robust losses against noisy labels

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463953A (zh) * 2017-07-21 2017-12-12 上海交通大学 在标签含噪情况下基于质量嵌入的图像分类方法及系统
CN111401558A (zh) * 2020-06-05 2020-07-10 腾讯科技（深圳）有限公司 数据处理模型训练方法、数据处理方法、装置、电子设备
WO2022032471A1 (zh) * 2020-08-11 2022-02-17 香港中文大学（深圳） 一种神经网络模型的训练方法、装置、存储介质及设备
CN113704389A (zh) * 2021-03-11 2021-11-26 腾讯科技（深圳）有限公司 一种数据评估方法、装置、计算机设备及存储介质
CN113139628A (zh) * 2021-06-22 2021-07-20 腾讯科技（深圳）有限公司 样本图像的识别方法、装置、设备及可读存储介质
CN114332578A (zh) * 2021-09-15 2022-04-12 广州腾讯科技有限公司 图像异常检测模型训练方法、图像异常检测方法和装置
CN114114363A (zh) * 2021-11-08 2022-03-01 北京邮电大学 基于时频和卷积神经网络的机会信号感知方法、系统及机会信号定位方法
CN114758142A (zh) * 2022-04-07 2022-07-15 桂林电子科技大学 一种鲁棒去噪框架的带噪声标签图像分类方法
CN115331088A (zh) * 2022-10-13 2022-11-11 南京航空航天大学 基于带有噪声和不平衡的类标签的鲁棒学习方法
CN115331065A (zh) * 2022-10-13 2022-11-11 南京航空航天大学 基于解码器迭代筛选的鲁棒噪声多标签图像学习方法
CN115630164A (zh) * 2022-10-14 2023-01-20 匀熵智能科技(无锡)有限公司 基于正负向联合学习和原型表示的远程监督关系抽取方法
CN117010454A (zh) * 2022-11-02 2023-11-07 腾讯科技（深圳）有限公司 神经网络训练方法、装置、电子设备以及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Global-Local GCN: Large-Scale Label Noise Cleansing for Face Recognition;Yaobin Zhang等;《Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20201231;7731-7740 *
Making Deep Neural Networks Robust to LabelNoise: Cross-Training With a Novel Loss Function;ZHEN QIN等;《IEEE ACCESS》;20190912;第7卷;130893-130902 *
NLNL: Negative Learning for Noisy Labels;Youngdong Kim等;《Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)》;20191231;101-110 *
基于多轮修正噪声标签的神经网络分类框架;王学刚等;《计算机技术与发展》;20230831;第33卷(第8期);151-158 *
基于深度学习的噪声标签图像分类算法研究;曹大卫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20231015(第10期);I138-257 *
基于负学习的重加权鲁棒学习方法;邹博士等;《计算机应用》;20230810;1-7 *

Also Published As

Publication number Publication date
CN117523213A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN110210513B (zh) 数据分类方法、装置及终端设备
CN116862931B (zh) 医学图像分割方法、装置、存储介质及电子设备
Kumar Jain et al. (Retracted) Modeling of human action recognition using hyperparameter tuned deep learning model
CN111860545B (zh) 一种基于弱检测机制的图像敏感内容识别方法及系统
CN114528411A (zh) 一种中文医药知识图谱自动化构建方法、装置及介质
CN115083599A (zh) 一种基于知识图谱的病状初步诊断及治疗方法
Wang et al. Computer vision for lifelogging: Characterizing everyday activities based on visual semantics
CN117523213B (zh) 一种基于元去噪和负学习的噪声标签识别方法
CN110941976A (zh) 一种基于卷积神经网络的学生课堂行为识别方法
CN115170942B (zh) 一种声音与视觉多级融合的鱼类行为识别方法
CN116580832A (zh) 基于视频数据的老年痴呆症辅助诊断系统及其方法
Giordano et al. An AI-based framework for supporting large scale automated analysis of video capsule endoscopy
CN115019367A (zh) 遗传病面部识别装置及方法
CN115115047A (zh) 用于训练模型的方法、装置和系统
CN111860949B (zh) 基于时序图像的预测方法及装置
CN113127733A (zh) 一种学习方案的推荐方法及装置
CN113343012A (zh) 一种新闻配图方法、装置、设备及存储介质
CN112560811A (zh) 端到端的音视频抑郁症自动检测研究方法
CN112329634A (zh) 课堂行为识别方法、装置、电子设备及存储介质
Murino et al. Image and video understanding in big data
CN109388253A (zh) 护理记录录入方法、装置、设备及计算机可读存储介质
RU2742003C1 (ru) Способ и система коррекции нежелательных ковариационных эффектов в микробиомных данных
CN114267087B (zh) 一种基于小样本机器学习模型的动作注册方法及其系统
CN112465152B (zh) 一种适用于情绪脑-机接口的在线迁移学习方法
CN117352135A (zh) 基于深度学习的糖网识别方法和装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant