.png){kind=icon}
返回
Sample selection for noisy partial label learning with interactive contrastive learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111681.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在弱监督学习的背景下，部分标签学习（PLL）旨在解决每个训练样本关联一组部分标签且仅有一个标签准确的情况。然而，在复杂的现实任务中，这种限制性假设可能不成立，这意味着真实标签可能不在候选标签集合中。在本研究中，我们放宽约束并针对PLL中的噪声标签问题进行处理。首先，我们引入一种选择策略，使深度模型能够通过翻转和原始图像的损失值选择干净样本。此外，我们逐步识别选定样本的真实标签，并通过集成两个模型获取未选定样本的知识。为提取更优的特征表示，我们引入伪标签交互式对比学习以聚合所有样本的网络间信息。实验结果表明，在具有不同噪声水平的噪声PLL任务中，我们的方法优于基线方法。
Keyword:
Partial label learning
Noisy label learning
Contrastive learning
Machine learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
分享收藏LongReMix: Robust learning with high confidence samples in a noisy label environmentLongReMix: 在嘈杂的标签环境中具有高置信度样本的鲁棒学习.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
Doubly contrastive representation learning for federated image recognitionPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容