一种基于可信度估计单元的图像分类噪声抑制深度学习策略

邵航; 黄海亮; 郭雨晨; 戴琼海

doi:10.3969/j.issn.0372-2112.2020.10.014

您当前的位置：

首页 >

文章列表页 >

一种基于可信度估计单元的图像分类噪声抑制深度学习策略

学术论文 | 更新时间：2023-02-24

- 一种基于可信度估计单元的图像分类噪声抑制深度学习策略
- Noise-Suppression Deep Learning Strategy via Reliability Estimation Gate for Image Classification
- 电子学报 2020年48卷第10期页码：1969-1975
- 作者机构：
  
  1. 浙江未来技术研究院(嘉兴),浙江,嘉兴,314000
  3. 清华大学自动化系,北京,100084
- 作者简介：
  
  [ "邵航男,1986年9月出生,浙江江山人.2011年毕业于清华大学自动化系,获工学硕士学位.主要研究方向为人工智能与计算成像." ]
  [ "黄海亮男,1995年6月出生,江苏如皋人.2019年毕业于杭州电子科技大学自动化学院,获硕士学位.主要研究方向为人工智能与计算成像." ]
- 基金信息：
  
  国家自然科学基金（No.61827805）
- DOI：10.3969/j.issn.0372-2112.2020.10.014
  中图分类号： TP301.6
- 网络出版：2020-10-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
邵航, 黄海亮, 郭雨晨, 等. 一种基于可信度估计单元的图像分类噪声抑制深度学习策略[J]. 电子学报, 2020,48(10):1969-1975.

SHAO Hang, HUANG Hai-liang, GUO Yu-chen, et al. Noise-Suppression Deep Learning Strategy via Reliability Estimation Gate for Image Classification[J]. Acta Electronica Sinica, 2020, 48(10): 1969-1975.
邵航, 黄海亮, 郭雨晨, 等. 一种基于可信度估计单元的图像分类噪声抑制深度学习策略[J]. 电子学报, 2020,48(10):1969-1975. DOI： 10.3969/j.issn.0372-2112.2020.10.014.

SHAO Hang, HUANG Hai-liang, GUO Yu-chen, et al. Noise-Suppression Deep Learning Strategy via Reliability Estimation Gate for Image Classification[J]. Acta Electronica Sinica, 2020, 48(10): 1969-1975. DOI： 10.3969/j.issn.0372-2112.2020.10.014.

摘要

近年来，深度学习越来越关注噪声抑制的研究.本文提出了一种噪声抑制深度学习策略，该策略通过构建噪声无感网络（Noise Unaware Network，NUN）和可信度估计单元（Reliability Estimation Gate，REG）来处理训练数据含有噪声的情况.通过对每个样本的可信度进行评估，调节其在训练时的权重，从而降低标签噪声对网络训练的影响.随着模型的迭代更新，标签可信数据的权重将会逐渐变大，而噪声数据的权重将会被抑制.本文通过在多个标注数据集上的实验验证了所提出的噪声抑制深度学习策略的有效性.

Abstract

In recent years

more and more attention has been paid to the study and research of noise suppression.This paper proposes a noise suppression deep learning strategy that deals with the presence of noise in training data by constructing a Noise Unaware Network (NUN) and Reliability Estimation Gate (REG).By evaluating the reliability of each sample and adjusting its weight during training

the influence of label noise on network training can be reduced.As the model is updated iteratively

the weight of clean data will gradually increase

while the weight of noise data will be suppressed.Experiments on multiple benchmark data sets demonstrate the effectiveness of the proposed deep learning strategy for noise suppression.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于特征膨胀卷积模块的轻量化技术研究

面向时序异常检测的可变视距多向扫描方法

基于稀疏平滑自蒸馏的差分隐私深度学习方法

基于非一般类算子融合方法及硬件架构设计