On Unsupervised Uncertainty-Driven Speech Pseudo-Label Filtering and Model Calibration
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；Le Mans University（勒芒大学）
伪标签（PL）过滤是无监督域自适应自训练（ST）方法的重要组成部分。基于丢弃的不确定性驱动的自训练（DUST）首先在源域标记数据上训练教师模型。然后，教师模型用于为未标记的目标领域数据提供PL。最后，我们训练一个学生增强标记和伪标记的数据。这个过程是迭代的，学生成为下一个DUST迭代的老师。在每个DUST迭代中，学生模型训练之前的一个关键步骤是过滤掉可能导致学生模型误入歧途的噪声PL。在DUST中，我们提出了一种简单，有效，理论上合理的PL过滤策略，该策略基于教师模型对未标记语音话语预测的不确定性。我们估计模型的不确定性，通过计算从教师模型中提取的多个样本之间的不一致，在推理过程中通过dropout注入噪声。在这项工作中，我们表明，DUST的PL过滤，最初使用的，可能会失败严重的源和目标域不匹配。我们提出了几种方法来消除或缓解这个问题。此外，我们将神经网络模型校准研究的见解带到DUST，并表明校准良好的模型与DUST PL过滤步骤的积极结果密切相关。
2022-11-14 cs.AI cs.LG eess.AS
Iterative Learning with Open-set Noisy Labels
Tsinghua University（清华大学）；Georgia Institute of Technology（佐治亚理工学院）；The University of Melbourne（墨尔本大学）
拥有干净标签注释的大规模数据集对于训练卷积神经网络（CNN）至关重要。然而，标记大规模数据可能非常昂贵且容易出错，即使是高质量的数据集也可能包含嘈杂（不正确）的标签。现有的作品通常采用闭集假设，其中与噪声标签相关联的样本具有包含在训练数据中的已知类的集合内的真类。然而，这样的假设对于许多应用来说限制太大，因为与噪声标签相关联的样本实际上可能拥有不存在于训练数据中的真实类。我们把这个更复杂的情况称为\textbf{open-set noisy label}问题，并表明它是不平凡的，以作出准确的预测。为了解决这个问题，我们提出了一种新的迭代学习框架，用于在具有开集噪声标签的数据集上训练CNN。我们的方法检测嘈杂的标签，并以迭代的方式学习深度判别特征。为了从噪声标签检测中获益，我们设计了一个Siamese网络来鼓励干净标签和噪声标签是不同的。一个重新加权模块也被应用到同时强调从干净的标签的学习，并减少由嘈杂的标签所造成的影响。在CIFAR-10、ImageNet和真实世界噪声（网络搜索）数据集上的实验表明，我们提出的模型可以在存在高比例开集和闭集噪声标签的情况下鲁棒地训练CNN。
2018-03-31 cs.CV
Improving Medical Image Classification in Noisy Labels Using Only Self-supervised Pretraining
RIT（罗切斯特理工学院）；University of Aberdeen（阿伯丁大学）；NepAl Applied Mathematics and Informatics Institute for Research (NAAMII)（尼泊尔应用数学与信息学研究所（NAAMII））
本文研究仅用自监督预训练初始化模型以应对医学图像分类中的噪声标签问题，在NCT-CRC-HE-100K和COVID-QU-Ex数据集上验证了对比式与前置任务式预训练能学习更优特征并提升鲁棒性。
2023-08-08 cs.CV cs.LG eess.IV
Dimensionality-Driven Learning with Noisy Labels
The University of Melbourne（墨尔本大学）；Tsinghua University（清华大学）；National Institute of Informatics（国立信息学研究所）
具有大量噪声（不正确）类别标签的数据集对训练准确的深度神经网络（DNN）提出了挑战。我们提出了一个新的角度来理解DNN泛化这样的数据集，通过研究训练样本的深层表示子空间的维数。我们表明，从维度的角度来看，DNN在使用干净标签进行训练时，与使用一定比例的嘈杂标签进行训练时相比，表现出非常独特的学习风格。基于这一发现，我们开发了一种新的维度驱动的学习策略，它在训练过程中监控子空间的维度，并相应地调整损失函数。我们的经验表明，我们的方法是高度容忍显着比例的嘈杂标签，并可以有效地学习低维局部子空间，捕捉数据分布。
2018-07-31 cs.CV cs.LG stat.ML
Symmetric Cross Entropy for Robust Learning with Noisy Labels
JD AI（京东人工智能）；The University of Melbourne（墨尔本大学）；Cainiao AI（菜鸟人工智能）；Shanghai Jiao Tong University（上海交通大学）
在存在噪声标签的情况下训练准确的深度神经网络（DNN）是一项重要且具有挑战性的任务。虽然已经提出了许多方法来学习嘈杂的标签，许多开放的问题仍然存在。在本文中，我们证明了使用交叉熵（CE）的DNN学习在某些类（“简单”类）上表现出对噪声标签的过度拟合，但更令人惊讶的是，它在其他一些类（“困难”类）上也存在显著的学习不足。直觉上，CE需要一个额外的术语来促进硬类的学习，更重要的是，这个术语应该是噪声容忍的，以避免过度拟合到噪声标签。受对称KL发散的启发，我们提出了\textbf{Symmetric cross entropy Learning}（SL）的方法，用噪声鲁棒的反向交叉熵（RCE）对称地提升CE。我们提出的SL方法同时解决了在存在噪声标签的情况下CE的学习不足和过拟合问题。我们提供了SL的理论分析，并在一系列基准和真实世界的数据集上实证显示，SL优于最先进的方法。我们还表明，SL可以很容易地纳入现有的方法，以进一步提高其性能。
2019-08-16 cs.CV cs.LG stat.ML
A Novel Self-Supervised Re-labeling Approach for Training with Noisy Labels
Indian Institute of Science（印度科学学院）
深度学习模型取得巨大成功的主要驱动力是大型数据集及其干净标签的可用性。不幸的是，这是很难获得的，这激发了对存在标签噪声的深度模型训练的研究，以及避免在噪声标签上过度拟合的方法。在这项工作中，我们建立在这一领域的开创性工作，共同教学，并提出了一个简单，但有效的方法称为mCT-S2 R（修改共同教学与自我监督和重新标记）为这项任务。首先，为了处理标签中的大量噪声，我们建议使用自我监督来生成鲁棒的特征，而不使用任何标签。接下来，使用并行网络架构，获得数据的干净标记部分的估计。最后，使用该数据，在用增强数据恢复网络训练之前，重新标记估计的噪声标记部分的一部分。在三个标准数据集上的实验表明了该框架的有效性。
2020-01-01 cs.CV
Noisy Label Classification using Label Noise Selection with Test-Time Augmentation Cross-Entropy and NoiseMix Learning
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出结合TTA交叉熵的标签噪声选择与基于MixUp和BalancedMix的NoiseMix学习方法，在ISIC-18数据集上显著提升了噪声标签分类的准确性和鲁棒性。
2024-07-17 cs.CV
Combining Self-Supervised and Supervised Learning with Noisy Labels
Paradigm Inc.（第四范式公司）；Tsinghua University（清华大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对CNN易过拟合噪声标签的问题，提出CS$^3$NL方法，利用自监督学习获取表示并直接用噪声标签训练分类器，在高噪声水平下大幅超越现有方法。
2023-06-25 cs.CV
Rethinking Noisy Label Models: Labeler-Dependent Noise with Adversarial Awareness
Rowan University（罗文大学）
大多数关于从噪声标签中学习的研究都依赖于不切实际的i.i.d.模型。标签噪声，例如类条件转移矩阵。最近关于实例相关噪声模型的工作更现实，但假设整个数据集上的标签噪声的单个生成过程。我们提出了一个更有原则的标签噪声模型，该模型将实例相关噪声推广到多个标签，基于现代数据集通常使用分布式众包方法进行注释的观察。在我们的标签依赖模型下，标签噪声表现在两种模式下：善意标签的自然错误和恶意行为者提供的对抗性标签。我们提出了两个对抗攻击向量，更准确地反映了在现实世界中可能遇到的标签噪声，并证明了在我们的多模态噪声标签模型下，对抗性标签攻击击败了从噪声标签中学习的最先进的方法。最后，我们提出了一个多阶段的，标签感知的，模型不可知的框架，可靠地过滤噪声标签，利用知识，哪些数据分区被标记的标签，并表明我们提出的框架仍然是强大的，即使在极端的对抗性标签噪声的存在。
2021-06-05 cs.AI cs.HC cs.LG
Noisy-Label Calibration with Multiple Unreliable Labels
Wakayama Medical University（和歌山医科大学）；RIKEN AIP（理化学研究所先进智能研究中心）；The University of Osaka（大阪大学）；The University of Tokyo（东京大学）
针对医学标注和众包中多标注者噪声标签导致的校准偏差问题，提出NC-ECE估计量及两类带保证的重新校准方法，经半合成基准验证可有效改善潜在标签校准。
2026-10-15 cs.LG stat.ML
Context-based Virtual Adversarial Training for Text Classification with Noisy Labels
ShinhanCard（新韩卡公司）；Deargen Inc.（Deargen公司）；GC Company（GC公司）
深度神经网络（DNN）具有很高的能力，可以在足够的训练时间内完全记忆噪声标签，不幸的是，它的记忆会导致性能下降。最近，虚拟对抗训练（VAT）引起了人们的关注，因为它可以进一步提高DNN在半监督学习中的泛化能力。VAT背后的驱动力是通过强制输入和扰动输入之间的一致性来防止模型过度拟合数据点。这种策略可以帮助从噪声标签中学习，如果它阻止神经模型学习噪声样本，同时鼓励模型泛化干净样本。在本文中，我们提出了基于上下文的虚拟对抗训练（ConVAT），以防止文本分类器过度拟合噪声标签。与以前的工作不同，所提出的方法在上下文级别而不是输入级别执行对抗训练。它使分类器不仅学习它的标签，而且学习它的上下文邻居，这通过保留每个数据点上的上下文语义来简化对噪声标签的学习。我们进行了广泛的实验，四个文本分类数据集与两种类型的标签噪声。综合实验结果清楚地表明，所提出的方法工作得很好，即使在非常嘈杂的设置。
2022-05-29 cs.AI cs.CL cs.LG
SplitNet: Learnable Clean-Noisy Label Splitting for Learning with Noisy Labels
Samsung Electro-Mechanics（三星电机）；Korea University（高丽大学）
用高质量的标签标注数据集对于深度网络的性能至关重要，但在现实世界中，标签往往被噪声污染。为了解决这个问题，提出了一些方法来自动分割干净和有噪声的标签，并在有噪声标签的学习（LNL）框架中学习半监督学习器。然而，他们利用一个手工制作的模块来进行干净的噪声标签分割，这在半监督学习阶段引起了确认偏差，并限制了性能。在本文中，我们首次提出了一个用于清洁噪声标签拆分的可学习模块，称为SplitNet，以及一个新的LNL框架，该框架补充训练SplitNet和LNL任务的主网络。我们建议使用SplitNet基于分裂置信度的动态阈值来更好地优化半监督学习器。为了增强SplitNet训练，我们还提出了一种风险对冲方法。我们提出的方法在最先进的水平，特别是在高噪声比设置在各种LNL基准。
2022-12-19 cs.CV cs.LG
SELC: Self-Ensemble Label Correction Improves Learning with Noisy Labels
McMaster University（麦克马斯特大学）
深度神经网络容易过拟合噪声标签，导致泛化性能差。为了克服这个问题，我们提出了一个简单而有效的方法自集成标签校正（SELC），逐步纠正噪声标签和完善的模型。我们更深入地研究了使用噪声标签进行训练的记忆行为，并观察到网络输出在早期阶段是可靠的。为了保持这种可靠的知识，SELC使用由网络输出的指数移动平均形成的集合预测来更新原始的噪声标签。我们表明，使用SELC进行训练可以通过逐渐减少来自噪声标签的监督并增加来自集合预测的监督来改进模型。尽管它的简单性，与许多国家的最先进的方法相比，SELC获得更有前途和稳定的结果，在存在类条件，实例依赖，和现实世界的标签噪声。该代码可在https://github.com/MacLLL/SELC上获得。
2022-05-02 cs.CV cs.LG
Estimating Noisy Class Posterior with Part-level Labels for Noisy Label Learning
School of Physics, Xi’an Jiaotong University（西安交通大学物理学院）；School of Computer Science and Technology, Xi’an Jiaotong University（西安交通大学计算机科学与技术学院）；School of Distance Education, Xi’an Jiaotong University（西安交通大学远程教育学院）
本文针对噪声标签导致类别后验估计偏差的问题，引入部件级标签和单对多转移矩阵，构建分类器一致框架以更准确估计噪声类别后验并提升分类性能。
2024-07-02 cs.CV cs.LG
TTPLA: An Aerial-Image Dataset for Detection and Segmentation of Transmission Towers and Power Lines
Department of Electrical Engineering, University of South Carolina, USA（南卡罗来纳大学电气工程系，美国）；Department of Computer Science and Engineering, University of South Carolina, USA（南卡罗来纳大学计算机科学与工程系，美国）
从航拍图像中准确检测和分割输电塔和输电线对保障电网安全和低空无人机安全具有重要意义。同时，航空图像的TT和PL提出了一些新的挑战，计算机视觉研究人员谁的工作目标检测和分割-PL是长而薄，并可能显示类似的颜色作为背景; TT可以是各种形状，最有可能由各种稀疏的线结构;背景场景，照明和对象的大小可以显着变化，从一个图像到另一个。在本文中，我们收集并发布了一个新的TT/PL航空图像（TTPLA）数据集，包括1,100张分辨率为3,840 $\times$ 2,160像素的图像，以及手动标记的8,987个TT和PL实例。我们开发了新的策略来收集，注释和标记TTPLA中的图像。与其他相关数据集不同，TTPLA除了支持检测和语义分割外，还支持对实例分割的评估。为了在TTPLA上建立检测和分割任务的基线，我们报告了几种最先进的深度学习模型在我们的数据集上的性能。TTPLA数据集可在https://github.com/r3ab/ttpla_dataset上公开获取
2020-10-20 cs.CV
On the Robustness of Monte Carlo Dropout Trained with Noisy Labels
Facebook（脸书）
深度学习的记忆效应阻碍了其在带噪声标签的学习中有效地推广测试集的性能。先前的研究已经发现，与没有不确定性估计的神经网络相比，认知不确定性技术在用噪声标签训练时是鲁棒的。它们在对抗性噪声标签环境下获得了较长的记忆效果和较好的泛化性能。由于其在噪声标签下的其他选定的认知不确定性方法中的优越性能，我们专注于Monte Carlo Dropout（MCDropout），并研究为什么它在使用噪声标签进行训练时具有鲁棒性。通过对MNIST、CIFAR-10、Animal-10 n数据集的实证研究，本文深入研究了噪声标签设置下MCDropout的三个方面：1.功效：了解MCDropout在训练集包含人工生成或自然嵌入的标签噪声时的学习行为和测试精度; 2.表征波动性：通过检查每个神经元激活的平均值和标准差来研究神经元的响应性; 3.网络稀疏性：与确定性神经网络相比，研究MCDropout的网络支持。我们的研究结果表明，MCDropout进一步稀疏化和正则化的确定性神经网络，从而提供了更高的鲁棒性对噪声标签。
2021-03-22 cs.CV cs.LG
Taming Self-Training for Open-Vocabulary Object Detection
Rutgers University（罗格斯大学）；NEC Laboratories America（美国NEC实验室）；Google Research（谷歌研究院）；UC San Diego（加州大学圣迭戈分校）
针对开放词汇目标检测中自训练存在的伪标签噪声、分布频繁变化问题，提出带拆分-融合检测头和周期性教师更新的SAS-Det，在同规模模型中性能领先。
2024-04-13 cs.CV
ALIM: Adjusting Label Importance Mechanism for Noisy Partial Label Learning
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Chongqing University（重庆大学）；Nanyang Technological University（南洋理工大学）；Tsinghua University（清华大学）
针对噪声偏标记学习中检测错误累积影响模型优化的问题，提出插件式框架ALIM，通过权衡初始候选集与模型输出减少负面影响，在基准数据集上达到最先进性能。
2023-05-18 cs.CV cs.LG
Error-Bounded Correction of Noisy Labels
Stony Brook University（石溪大学）；Rutgers University（罗格斯大学）；Bain & Company（贝恩公司）；City University of New York（纽约城市大学）
为了收集大规模注释数据，不可避免地引入标签噪声，即，不正确的类标签。为了对标签噪声具有鲁棒性，许多成功的方法依赖于噪声分类器（即，在噪声训练数据上训练的模型）来确定标签是否可信。然而，它仍然不知道为什么这种启发式在实践中运作良好。在本文中，我们提供了这些方法的第一个理论解释。我们证明了噪声分类器的预测确实可以很好地指示训练数据的标签是否干净。基于理论结果，我们提出了一种新的算法，纠正标签的基础上嘈杂的分类器预测。修正后的标签与真实的贝叶斯最优分类器具有很高的概率一致。我们将我们的标签校正算法纳入深度神经网络的训练中，并训练模型，在多个公共数据集上实现卓越的测试性能。
2020-11-19 cs.CV cs.LG
Self-semi-supervised Learning to Learn from NoisyLabeled Data
New York University（纽约大学）
当今深度神经网络的巨大成功高度依赖于大量正确标记的数据。然而，获得高质量的人类标记数据的成本相当高，导致对噪声标签鲁棒的训练模型的研究领域非常活跃。为了实现这一目标，一方面，许多论文致力于区分噪声标签和干净标签，以提高DNN的泛化能力。另一方面，越来越流行的自半监督学习方法已被证明有利于标签不完整时的任务。通过“semi”，我们将检测到的错误标记数据视为未标记数据;通过“self”，我们选择一种自监督技术进行半监督学习。在这个项目中，我们设计了一些方法来更准确地区分干净和有噪声的标签，并借用自半监督学习的智慧来训练有噪声的标签数据。
2020-11-03 cs.CV cs.LG
Co-matching: Combating Noisy Labels by Augmentation Anchoring
Mcmaster University（麦克马斯特大学）
具有噪声标签的深度学习具有挑战性，因为深度神经网络具有记忆噪声标签的高容量。在本文中，我们提出了一个学习算法称为协同匹配，它平衡了两个网络之间的一致性和分歧的增强锚定。具体来说，我们让一个网络从它对弱增强图像的预测中生成锚定标签。同时，我们强制其对等网络，以同一图像的强增强版本作为输入，生成接近锚定标签的预测。然后，我们通过选择小损失实例来同时更新两个网络，以最小化两个无监督匹配损失（即，测量两个网络的一致性）和监督分类损失（即测量分类性能）。此外，无监督匹配损失使得我们的方法不严重依赖于噪声标签，这防止了噪声标签的记忆。在三个基准数据集上的实验表明，协同匹配达到了与最先进的方法相当的结果。
2021-03-23 cs.CV cs.LG
Instance-Dependent Noisy Label Learning via Graphical Modelling
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；University of Adelaide（阿德莱德大学）；Monash University（莫纳什大学）
在深度学习的生态系统中，噪声标签是不可避免的，但也是麻烦的，因为模型很容易过拟合它们。标签噪声有许多类型，例如对称、非对称和实例相关噪声（IDN），IDN是唯一依赖于图像信息的类型。这种对图像信息的依赖使得IDN成为研究标签噪声的关键类型，因为标签错误在很大程度上是由图像中存在的视觉类的信息不足或模糊引起的。为了提供一种有效的技术来解决IDN，我们提出了一种新的图形化建模方法称为InstanceGM，它结合了判别和生成模型。InstanceGM的主要贡献是：i）使用连续伯努利分布来训练生成模型，提供显着的训练优势，以及ii）探索最先进的噪声标签判别分类器，以从依赖于实例的噪声标签样本中生成干净的标签。InstanceGM与当前的噪声标签学习方法相比具有竞争力，特别是在使用合成和真实世界数据集的IDN基准测试中，我们的方法在大多数实验中显示出比竞争对手更好的准确性。
2022-09-02 cs.CV cs.LG
Set a Thief to Catch a Thief: Combating Label Noise through Noisy Meta Learning
Nanyang Technological University（南洋理工大学）；University of Surrey（萨里大学）
针对现有元学习标签校正方法需额外干净验证集的局限，提出噪声元标签校正框架STCT，用同分布噪声数据作验证集，通过交替训练解耦双层优化，在高噪声场景下性能超越现有最优水平。
2025-02-22 cs.CV cs.LG
A Survey on Deep Learning with Noisy Labels: How to train your model when you cannot trust on the annotations?
Federal Rural University of Pernambuco（伯南布哥联邦农村大学）；Australian Institute for Machine Learning（澳大利亚机器学习研究院）；University of Adelaide（阿德莱德大学）
噪声标签通常存在于从互联网自动收集的数据集中，被非专业注释者错误标记，甚至是在具有挑战性的任务中的专家，例如在医学领域。尽管深度学习模型在不同领域都有了显著的改进，但一个悬而未决的问题是它们在训练过程中记忆噪声标签的能力，降低了它们的泛化潜力。由于深度学习模型依赖于正确标记的数据集，并且标签正确性难以保证，因此考虑噪声标签的存在对于深度学习训练至关重要。文献中已经提出了几种方法来改进存在噪声标签的深度学习模型的训练。本文提出了一个调查的主要技术在文献中，其中我们分类的算法在以下几组：鲁棒损失，样本加权，样本选择，元学习，和组合的方法。我们还介绍了常用的实验装置，数据集和最先进的模型的结果。
2020-12-05 cs.CV cs.LG
An Ensemble Noise-Robust K-fold Cross-Validation Selection Method for Noisy Labels
Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）
我们考虑在受到各种比例的噪声标签的影响时训练鲁棒和准确的深度神经网络（DNN）的问题。大规模数据集往往包含错误标记的样本，这些样本可能会被DNN记住，从而影响性能。通过适当的处理，可以减轻这种退化。需要考虑两个问题：如何区分干净样本和如何处理噪声样本。在本文中，我们提出了增强噪声鲁棒的K折交叉验证选择（E-NKCVS），以有效地从噪声数据中选择干净的样本，解决了第一个问题。对于第二个问题，我们为任何确定具有不确定或可能损坏的标签的样本创建新的伪标签。E-NKCVS为每个样本获得多个预测标签，这些标签的熵用于调整给予伪标签和给定标签的权重。理论分析和广泛的验证算法在噪声标签设置。我们评估我们的方法在各种图像和文本分类任务中的标签已手动损坏不同的噪声比。此外，还使用了两个大型的真实世界噪声数据集，Clothing-1 M和WebVision。经验表明，E-NKCVS对相当大比例的标签噪声具有高度耐受性，并且与最先进的方法相比具有一致的改进。特别是在噪声比更高的更困难的数据集上，我们可以实现比第二好模型的显着改进。此外，我们提出的方法可以很容易地集成到现有的DNN方法中，以提高其对标签噪声的鲁棒性。
2021-07-06 cs.CV cs.LG
Matrix Smoothing: A Regularization for DNN with Transition Matrix under Noisy Labels
Tsinghua University（清华大学）；Peng Cheng Laboratory（鹏城实验室）
在存在噪声标签的情况下训练深度神经网络（DNN）是一项重要且具有挑战性的任务。概率模型由一个分类器和一个转移矩阵组成，描述了从真实标签到噪声标签的转换，是一种很有前途的方法。然而，目前的概率方法直接将转移矩阵应用于DNN，忽略了DNN对过拟合的敏感性，并取得了令人满意的性能，特别是在均匀噪声下。本文受标号平滑的启发，提出了一种新的方法，即使用平滑的转移矩阵来更新DNN，以限制DNN在概率建模中的过拟合。我们的方法被称为矩阵平滑。我们还实证表明，我们的方法不仅提高了概率建模的鲁棒性显着，但也得到了更好的估计的转移矩阵。
2020-03-26 cs.CV cs.LG
CoDiM: Learning with Noisy Labels via Contrastive Semi-Supervised Learning
Stony Brook University（石溪大学）；University of Washington（华盛顿大学）；Tencent AI Lab（腾讯人工智能实验室）
标签是昂贵的，有时不可靠。噪声标签学习、半监督学习和对比学习是用于设计需要较少注释成本的学习过程的三种不同策略。半监督学习和对比学习最近已经被证明可以改进处理带有噪声标签的数据集的学习策略。尽管如此，这些领域之间的内在联系以及将其优势结合在一起的潜力才刚刚开始出现。在本文中，我们探讨了进一步的方式和优势，他们融合。具体来说，我们提出了CSSL，一个统一的对比半监督学习算法，和CoDiM（对比DivideMix），一种新的算法，用于学习噪声标签。CSSL利用了经典半监督学习和对比学习技术的强大功能，并进一步适应CoDiM，它从多种类型和级别的标签噪声中进行鲁棒学习。我们表明，CoDiM带来了一致的改进，并在多个基准测试中取得了最先进的结果。
2021-11-23 cs.CV cs.LG
Scalable Penalized Regression for Noise Detection in Learning with Noisy Labels
Fudan University（复旦大学）
噪声训练集通常会导致神经网络的泛化能力和鲁棒性下降。在本文中，我们提出了使用一个理论上有保证的噪声标签检测框架来检测和删除噪声数据的学习与噪声标签（LNL）。具体来说，我们设计了一个惩罚回归模型来模拟网络特征和独热标签之间的线性关系，其中噪声数据由回归模型中求解的非零均值漂移参数来识别。为了使框架可扩展到包含大量类别和训练数据的数据集，我们提出了一种分裂算法，将整个训练集分成可以通过惩罚回归并行求解的小块，从而形成可扩展惩罚回归（SPR）框架。我们提供了SPR正确识别噪声数据的非渐近概率条件。虽然SPR可以被视为标准监督训练管道的样本选择模块，但我们进一步将其与半监督算法相结合，以进一步利用噪声数据作为未标记数据的支持。在多个基准数据集和真实噪声数据集上的实验结果表明了该框架的有效性。我们的代码和预训练模型在https://github.com/Yikai-Wang/SPR-LNL上发布。
2022-03-19 cs.CV cs.LG
Pairwise Similarity Distribution Clustering for Noisy Label Learning
本文提出 PSDC 样本选择算法，通过成对相似度与 GMM 建模将训练样本划分为干净集和噪声集，以增强半监督噪声标签学习，并在多个基准上显著优于现有方法。
2024-04-02 cs.CV cs.LG
SLT: Robust Quantum Neural Networks for Noisy-Label Medical Image Classification via Supermartingale-based Label Transition
Boise State University（博伊西州立大学）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）；University of Notre Dame（圣母大学）；University of Cincinnati（辛辛那提大学）
针对小规模医学图像分类中噪声标签学习难题，提出基于上鞅的标签转换（SLT）框架用于鲁棒量子神经网络分类，通过建模熵减少为上鞅识别稳定转换步骤，实验证明其能提升分类性能并优于经典基线。
2026-07-21 cs.CV cs.LG
A Framework using Contrastive Learning for Classification with Noisy Labels
EURA NOVA BE
我们提出了一个框架，使用对比学习作为一个预训练任务来执行图像分类的存在噪声标签。最近的策略，如伪标记，高斯混合模型的样本选择，加权监督对比学习已被结合到一个微调阶段后的预训练。本文提供了一个广泛的实证研究表明，一个初步的对比学习步骤带来了显着的增益性能时，使用不同的损失函数：非鲁棒性，鲁棒性，和早期学习正则化。我们在标准基准测试和真实世界数据集上进行的实验表明：i）对比预训练增加了任何损失函数对噪声标签的鲁棒性，ii）额外的微调阶段可以进一步提高准确性，但代价是额外的复杂性。
2021-04-19 cs.CV cs.LG
Active Label Refinement for Robust Training of Imbalanced Medical Image Classification Tasks in the Presence of High Label Noise
Center for Imaging Science, Rochester Institute of Technology（罗切斯特理工学院成像科学中心）；University of Aberdeen（阿伯丁大学）；Biomedical Engineering, Rochester Institute of Technology（罗切斯特理工学院生物医学工程系）
本文提出结合LNL与主动学习的两阶段标签精炼框架，引入梯度方差采样少数类，在有限预算下提升高噪声、类别不平衡医学图像分类的鲁棒性。
2024-10-24 cs.CV cs.LG
Graph convolutional networks for learning with few clean and many noisy labels
Google Research（谷歌研究院）；VRG, Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克理工大学电气工程学院视觉识别组）；Inria, Univ Rennes, CNRS, IRISA（法国国家信息与自动化研究所、雷恩大学、法国国家科学研究中心、布列塔尼大西洋信息与通信技术研究所）
在这项工作中，我们考虑的问题时，一些干净的标记的例子，从嘈杂的标签学习分类。干净和有噪声的数据的结构是由一个图每类和图卷积网络（GCN）被用来预测噪声的例子的类相关性。对于每个类，GCN被视为一个二元分类器，它学习使用加权的二元交叉熵损失函数来区分干净的噪声样本。然后利用GCN推断的“干净”概率作为相关性度量。在学习最终任务的分类器时，每个噪声示例都通过其相关性进行加权。我们评估我们的方法上的一个扩展版本的少样本学习问题，其中几个干净的例子，新的类补充额外的噪声数据。实验结果表明，我们的GCN为基础的清洗过程显着提高了分类精度不清洗噪声数据，以及标准的Few-Shot分类，只有很少的干净的例子被使用。
2020-08-24 cs.CV cs.LG
A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification
Beijing University of Technology（北京工业大学）；Beihang University（北京航空航天大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文针对半监督学习中自训练模型伪标签有偏且高方差的问题，提出一种轻量级通道集成方法，将多个较差伪标签整合为无偏且低方差的伪标签，并可扩展至 FixMatch 等框架，在 CIFAR10/100 上显著超越现有方法。
2024-03-27 cs.AI cs.CV
From Noisy Prediction to True Label: Noisy Prediction Calibration via Generative Model
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；University of Seoul（首尔大学）
在机器学习社会中，嘈杂的标签是不可避免的，但也是有问题的。它通过使分类器过度拟合噪声标签来破坏分类器的泛化。现有的噪声标记方法主要集中在训练过程中对分类器进行修改。它有两个潜在的问题。首先，这些方法不适用于未经进一步训练的预训练分类器。其次，训练分类器并同时使来自噪声标签的所有负面影响规则化并不容易。我们提出了一个新的分支的方法，噪声预测校准（NPC）的学习与噪声标签。通过生成模型引入和估计一种新型的转移矩阵，NPC将噪声预测从预训练分类器校正为真实标签作为后处理方案。我们证明了NPC理论上与基于转移矩阵的方法一致。然而，NPC经验上提供了更准确的途径来估计真实标签，即使不参与分类器学习。此外，如果训练实例及其预测可用，则NPC适用于使用噪声标签方法训练的任何分类器。我们的方法NPC提高了所有基线模型在合成和真实数据集上的分类性能。实现的代码可在https://github.com/BaeHeeSun/NPC上获得。
2022-05-26 cs.AI cs.CV cs.LG
Joint Optimization Framework for Learning with Noisy Labels
The University of Tokyo（东京大学）
在大规模数据集上训练的深度神经网络（DNN）在图像分类中表现出了显著的性能。许多大规模的数据集是从网站上收集的，但是它们往往包含不准确的标签，称为噪声标签。在这种嘈杂的标签数据集上训练会导致性能下降，因为DNN很容易过拟合到嘈杂的标签。为了克服这个问题，我们提出了一个学习DNN参数和估计真实标签的联合优化框架。我们的框架可以在训练过程中通过交替更新网络参数和标签来纠正标签。我们在有噪声的CIFAR-10数据集和Clothing 1 M数据集上进行了实验。结果表明，我们的方法显着优于其他国家的最先进的方法。
2018-03-30 cs.CV cs.LG stat.ML
Robust Self-Training with Closed-loop Label Correction for Learning from Noisy Labels
本文提出一种基于解耦双层优化的自训练标签修正框架，通过分类器和神经修正函数的协同进化，在小规模干净数据基础上利用噪声后验模拟和中间特征转移真实知识，形成闭环反馈系统以防止误差放大，实验表明其在CIFAR和Clothing1M等数据集上具有更优性能。
2026-03-14 cs.AI cs.CV cs.LG
Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；The University of Sydney（悉尼大学）
本文研究噪声多标签学习中类别相关转移矩阵的估计问题，提出一种利用标签相关性且无需锚点和精确后验拟合的新估计器，通过求解双线性分解问题实现可识别估计，并从理论和实验上验证了其有效性和分类性能。
2023-09-22 cs.AI cs.CV cs.LG
Unleashing the Potential of Regularization Strategies in Learning with Noisy Labels
The University of Sydney（悉尼大学）；New York University（纽约大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）；University of Science and Technology of China（中国科学技术大学）；Hong Kong Baptist University（香港浸会大学）
本文证明交叉熵损失结合学习率衰减、权重平均和数据增强等常规正则化策略，可超越复杂的噪声标签学习算法，呼吁重新评估该领域的基准与专用算法的作用。
2023-07-11 cs.AI cs.CV cs.LG
NCSAM Noise-Compensated Sharpness-Aware Minimization for Noisy Label Learning
Beijing University of Technology（北京理工大学）
提出NCSAM方法，通过噪声补偿扰动修正噪声标签引起的优化偏差，缓解对噪声标签的记忆，在合成和真实噪声标签基准上优于SAM基线。
2026-05-28 cs.AI cs.CV cs.LG
Tripartite: Tackle Noisy Labels by a More Precise Partition
Xidian University（西安电子科技大学）
大规模数据集中的样本可能由于各种原因而被错误标记，并且深度神经网络很容易过拟合到有噪声的标签数据。要解决这个问题，关键是要减轻这些噪音标签的危害。现有的许多方法都试图根据损失值将训练数据划分为干净和有噪声的子集，然后对有噪声的标签数据进行不同的处理。阻碍更好性能的原因之一是硬样品。由于硬样本无论标签是干净的还是有噪声的，都有较大的损失，这些方法不能精确地划分它们。相反，我们提出了一种三分解决方案，将训练数据更精确地划分为三个子集：硬，噪声和干净。划分标准基于两个网络的不一致预测，以及网络预测与给定标签之间的不一致性。为了最大限度地减少噪声标签的危害，但最大限度地提高噪声标签数据的价值，我们应用硬数据的低权重学习和噪声标签数据的自监督学习，而不使用给定的标签。大量的实验表明，Tripartite可以更精确地过滤出有噪声的标签数据，并且在五个基准数据集上的性能优于大多数最先进的方法，特别是在真实世界的数据集上。
2022-03-19 cs.CV
Countering Noisy Labels By Learning From Auxiliary Clean Labels
Tsinghua University（清华大学）
我们考虑从噪声标签（NL）的学习问题，出现在许多现实世界的应用。除了NL文献中广泛研究的合成噪声之外，我们还将半监督学习（Semi-SL）中的伪标签视为NL的特殊情况。对于这两种类型的噪声，我们认为，现有方法的泛化性能是高度耦合的噪声标签的质量。因此，我们从一个新颖而统一的角度来解决这个问题：从辅助清洁标签中学习。具体来说，我们提出了旋转解耦一致性正则化（RDCR）框架，该框架将基于一致性的方法与自监督旋转任务相结合，以学习噪声容忍表示。实验结果表明，在小噪声条件下，RDCR方法的性能与现有方法相当或更优，而在大噪声条件下，RDCR方法的性能明显优于现有方法。
2019-09-12 cs.CV cs.LG stat.ML
Meta Soft Label Generation for Noisy Labels
Middle East Technical University（中东技术大学）；ASELSAN（阿瑟尔桑公司）
数据集中噪声标签的存在会导致深度神经网络（DNN）的性能显著下降。为了解决这个问题，我们提出了一种称为MSLG的Meta软标签生成算法，它可以使用元学习技术联合生成软标签，并以端到端的方式学习DNN参数。我们的方法采用元学习范式，通过检查有噪训练数据和无噪元数据的梯度方向来估计最佳标签分布。为了迭代地更新软标签，对估计的标签执行Meta梯度下降步骤，这将使无噪声Meta样本的损失最小化。在每次迭代中，基础分类器在估计的Meta标签上进行训练。MSLG与模型无关，可以轻松地添加到任何现有模型之上。我们在CIFAR10，Clothing1M和Food101N数据集上进行了广泛的实验。结果表明，我们的方法优于其他国家的最先进的方法，由一个很大的保证金。
2021-01-19 cs.CV cs.LG stat.ML
Learning to Learn from Noisy Labeled Data
National University of Singapore（新加坡国立大学）；University of Minnesota（明尼苏达大学）
尽管深度神经网络（DNN）在图像分类任务中取得了成功，但人类水平的性能依赖于具有高质量手动注释的大量训练数据，这些数据收集起来既昂贵又耗时。网络上存在许多廉价的数据源，但它们往往包含不准确的标签。在有噪声的标记数据集上训练会导致性能下降，因为DNN很容易过拟合标签噪声。为了克服这个问题，我们提出了一个噪声容忍的训练算法，其中元学习更新之前，传统的梯度更新。所提出的元学习方法通过生成合成噪声标签来模拟实际训练，并且训练模型，使得在使用每组合成噪声标签进行一次梯度更新之后，模型不会过拟合到特定噪声。我们在嘈杂的CIFAR-10数据集和Clothing 1 M数据集上进行了大量的实验。结果表明，所提出的方法相比，几个国家的最先进的基线的优越性能。
2019-04-12 cs.CV cs.LG stat.ML
Training Convolutional Networks with Noisy Labels
New York University（纽约大学）；Facebook AI Research（脸书人工智能研究院）
大型标记数据集的可用性使卷积网络模型能够实现令人印象深刻的识别结果。然而，在许多设置中，对数据进行手动注释是不切实际的;相反，我们的数据具有噪声标签，即每个图像都有一些免费的标签，这些标签可能准确也可能不准确。在本文中，我们探讨了在这种噪声数据上训练时，区分训练的Convnets的性能。我们在网络中引入了一个额外的噪声层，它可以调整网络输出以匹配嘈杂的标签分布。该噪声层的参数可以作为训练过程的一部分进行估计，并且涉及对深度网络的当前训练基础设施的简单修改。我们在几个数据集上展示了这些方法，包括在ImageNet分类基准上进行的大规模实验。
2015-04-10 cs.CV cs.LG cs.NE
PARS: Pseudo-Label Aware Robust Sample Selection for Learning with Noisy Labels
Amazon（亚马逊）；University of Edinburgh（爱丁堡大学）
在大规模数据集上获取准确的标签既耗时又昂贵。为了减少深度学习模型对干净标签数据学习的依赖性，最近的几项研究工作都集中在带噪声标签的学习上。这些方法通常分为三个设计类别来学习噪声鲁棒模型：样本选择方法，噪声鲁棒损失函数或标签校正方法。在本文中，我们提出了PARS：伪标签感知鲁棒样本选择，这是一种混合方法，它在联合训练框架中结合了所有三个世界的最佳方法，以实现对噪声标签的鲁棒性。具体地说，PARS利用所有的训练样本，使用原始/噪声标签和估计/翻新的伪标签通过自我训练，通过损失分析将样本分为模糊和噪声子集，并为两组过滤标签设计标签相关的噪声感知损失函数。结果表明，PARS在对噪声CIFAR-10和CIFAR-100数据集的广泛研究中，特别是在具有挑战性的高噪声和低资源环境中，表现明显优于现有技术。特别是，PARS在具有90%对称标签噪声的CIFAR-100数据集上实现了测试准确度的绝对12%的提高，并且在训练期间只有1/5的噪声标签作为额外限制时，测试准确度的绝对27%的提高。在一个真实世界的噪声数据集上，Clothing 1 M，PARS实现了与最先进技术相比具有竞争力的结果。
2022-01-26 cs.CV
PropMix: Hard Sample Filtering and Proportional MixUp for Learning with Noisy Labels
Universität Ulm（乌尔姆大学）；University of Adelaide（阿德莱德大学）
最具竞争力的噪声标签学习方法依赖于清洁和噪声样本的无监督分类，其中分类为噪声的样本被重新标记并与清洁样本“混合匹配”。这些方法在大噪声率问题中有两个问题：1）噪声集合更可能包含被不正确地重新标记的硬样本，以及2）由于MixMatch受到小的干净集合大小的约束，因此由MixMatch产生的样本的数量往往会减少。在本文中，我们引入了学习算法PropMix来处理上述问题。PropMix过滤掉硬噪声样本，目的是增加正确重新标记易噪声样本的可能性。此外，PropMix将干净和重新标记的易噪声样本放置在一个用MixUp增强的训练集中，消除了干净集大小的限制，并包括大部分正确重新标记的易噪声样本。我们还包括自我监督的预训练，以提高对高噪声标签场景的鲁棒性。我们的实验表明，PropMix在CIFAR-10/-100（具有对称，不对称和语义标签噪声），Red Mini-ImageNet（来自受控噪声Web标签），Clothing 1 M和WebVision上具有最先进的（SOTA）结果。在严重的标签噪声基准测试中，我们的结果明显优于其他方法。该代码可在https：//www.example.com上获得。github.com/filipe-research/PropMix
2021-10-22 cs.CV
Selective-Supervised Contrastive Learning with Noisy Labels
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；The University of Sydney（悉尼大学）
深度网络具有很强的将数据嵌入到潜在表示中并完成后续任务的能力。然而，这些能力主要来自高质量的标注标签，这些标签的收集成本很高。噪声标签更便宜，但会导致损坏的表示，导致泛化性能差。为了学习鲁棒表示和处理噪声标签，本文提出了选择监督对比学习（Sel-CL）。具体来说，Sel-CL扩展了监督对比学习（Sup-CL），它在表示学习中很强大，但在有噪声标签时会降级。Sel-CL解决了Sup-CL问题的直接原因。也就是说，由于Sup-CL以\textit{pair-wise}方式工作，因此由噪声标签构建的噪声对会误导表示学习。为了缓解这个问题，我们选择置信对噪声的Sup-CL不知道噪声率。在选择过程中，通过测量学习的表示和给定的标签之间的一致性，我们首先确定用于构建置信对的置信示例。然后，利用所建立的置信对中的表示相似性分布来从噪声对中识别出更多的置信对。所有获得的置信对最终用于Sup-CL以增强表示。在多个噪声数据集上的实验证明了我们的方法学习的表示的鲁棒性，遵循最先进的性能。源代码可在https://github.com/ShikunLi/Sel-CL上获得
2022-03-08 cs.AI cs.CV cs.LG
How Does a Neural Network's Architecture Impact Its Robustness to Noisy Labels?
University of Maryland（马里兰大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Toronto（多伦多大学）
噪声标签在大型真实世界数据集中是不可避免的。在这项工作中，我们探索了一个以前研究不足的领域-网络的架构如何影响其对噪声标签的鲁棒性。我们提供了一个正式的框架连接网络的鲁棒性，其架构和目标/噪声函数之间的对齐。我们的框架通过其表示中的预测能力来衡量网络的鲁棒性-使用一小组干净标签在学习的表示上训练线性模型的测试性能。我们假设，如果网络的架构与目标函数比噪声更一致，则网络对噪声标签更鲁棒。为了支持我们的假设，我们提供了各种神经网络架构和不同领域的理论和经验证据。我们还发现，当网络与目标函数很好地对齐时，其表示的预测能力可以在测试准确性方面改善最先进的（SOTA）噪声标签训练方法，甚至优于使用干净标签的复杂方法。
2021-11-28 cs.CV cs.LG stat.ML
Learning from Noisy Labels with Deep Neural Networks: A Survey
NAVER AI Lab（NAVER人工智能实验室）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
在大量大数据的帮助下，深度学习在许多领域取得了显著的成功。然而，数据标签的质量是一个问题，因为在许多现实场景中缺乏高质量的标签。由于噪声标签严重降低了深度神经网络的泛化性能，从噪声标签中学习（鲁棒训练）正在成为现代深度学习应用中的重要任务。在本调查中，我们首先从监督学习的角度描述了带有标签噪声的学习问题。接下来，我们对62种最先进的鲁棒训练方法进行了全面的回顾，所有这些方法都根据其方法学差异分为五组，然后对用于评估其优越性的六个属性进行了系统比较。随后，我们对噪声率估计进行了深入的分析，并总结了通常使用的评估方法，包括公共噪声数据集和评估指标。最后，我们提出了几个有前途的研究方向，可以作为未来研究的指导方针。所有的内容都可以在https://github.com/songhwanjun/Awesome-Noisy-Labels上找到。
2022-03-10 cs.CV cs.LG stat.ML
Beyond Synthetic Noise: Deep Learning on Controlled Noisy Labels
Google Research（谷歌研究院）；Google Cloud AI（谷歌云人工智能）；Cornell University（康奈尔大学）
在噪声数据上执行受控实验对于理解跨噪声水平的深度学习至关重要。由于缺乏合适的数据集，以前的研究只在受控的合成标签噪声上研究了深度学习，而现实世界的标签噪声从未在受控环境中进行过研究。本文有三个贡献。首先，我们建立了第一个来自网络的受控真实世界标签噪声的基准。这个新的基准测试使我们能够第一次在受控设置中研究Web标签噪声。第二个贡献是一个简单但有效的方法来克服合成和真正的噪声标签。我们表明，我们的方法在我们的数据集以及两个公共基准测试（CIFAR和WebVision）上取得了最佳结果。第三，我们进行了迄今为止最大规模的研究，以了解在不同噪声水平、噪声类型、网络架构和训练设置的噪声标签上训练的深度神经网络。数据和代码发布于以下链接：http://www.lujiang.info/cnlw.html
2020-08-27 cs.CV cs.LG stat.ML
Optimizing Feature Selection for Binary Classification with Noisy Labels: A Genetic Algorithm Approach
A. I. Virtanen Institute for Molecular Sciences, University of Eastern Finland（A.I. Virtanen分子科学研究所，东芬兰大学）；Department of Computer Science, Aalto University（计算机科学系，艾尔托大学）；Institute of Biomedicine, University of Eastern Finland（生物医学研究所，东芬兰大学）
针对含噪声标签二分类中的特征选择难题，提出NMFS-GA多目标遗传算法，在合成、乳腺癌及ADNI数据集上验证其可提升分类准确性与可解释性。
2024-01-12 cs.CV cs.LG cs.NE
Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation
ShanghaiTech University（上海科技大学）；Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心）
由于难以获得高质量的标注，从噪声标签中学习分割是医学图像分析的一项重要任务。大多数现有的方法忽略了像素的相关性和结构的先验分割，往往产生噪声预测周围的对象边界。为了解决这个问题，我们采用了超像素表示，并开发了一种强大的迭代学习策略，该策略结合了分割网络的噪声感知训练和噪声标签细化，两者都由超像素指导。这种设计使我们能够利用分割标签中的结构约束，并有效地减轻标签噪声对学习的影响。两个基准测试的实验表明，我们的方法优于最近的国家的最先进的方法，并在广泛的标签噪声实现卓越的鲁棒性。代码可在https://github.com/gaozhitong/SP_guided_Noisy_Label_Seg上获得。
2021-07-21 cs.CV
Neighborhood Collective Estimation for Noisy Label Identification and Correction
Sun Yat-sen University（中山大学）；The University of Hong Kong（香港大学）；Deepwise AI Lab（深睿医疗人工智能实验室）
带噪声标签的学习（LNL）旨在设计策略，通过减轻模型过拟合对噪声标签的影响来提高模型性能和泛化能力。LNL的关键成功在于从大量噪声数据中识别尽可能多的干净样本，同时纠正错误分配的噪声标签。最近的进展采用预测的标签分布的个别样品进行噪音验证和嘈杂的标签校正，容易引起确认偏差。为了缓解这个问题，我们提出了邻域集体估计，其中候选样本的预测可靠性通过将其与其特征空间最近邻居进行对比来重新估计。具体来说，我们的方法分为两个步骤：1）邻域集体噪声验证将所有训练样本分离到干净或有噪声的子集中，2）邻域集体标签校正重新标记有噪声的样本，然后使用辅助技术来辅助进一步的模型优化。在四个常用的基准数据集上进行了广泛的实验，CIFAR-10、CIFAR-100、Clothing-1M和Webvision-1.0的实验表明，我们提出的方法大大优于最先进的方法。
2022-08-05 cs.CV
