Combating Noisy Labels in Long-Tailed Image Classification

要約

ノイズの多いラベルに対処するほとんどの既存の方法は、通常、クラスの分布がバランスが取れていることを前提としています。これでは、トレーニング サンプルの分布が不均衡であるという実際のシナリオを処理するには十分な容量がありません。
この目的のために、この論文では、ロングテール分布とラベル ノイズの両方を使用して画像分類タスクに取り組むための初期の取り組みを行っています。
テール クラスのクリーンなサンプルからノイズの多いサンプルを区別するのは難しいため、既存のノイズに強い学習方法はこのシナリオでは機能しません。
この問題に対処するために、弱いデータ拡張と強いデータ拡張の推論間のマッチングに基づく新しい学習パラダイムを提案して、ノイズのあるサンプルを選別し、認識されたノイズのあるサンプルの影響を排除するために、leave-noise-out 正則化を導入します。
さらに、ヘッドクラスへの偏りを避けるために、オンラインの事前分布に基づく新しい予測ペナルティを組み込みます。
この仕組みは、既存のロングテール分類手法と比較して、クラスの適合度をリアルタイムで捉える点で優位性があります。
徹底的な実験は、提案された方法が、ノイズの多いラベルの下でのロングテール分類における分布の不均衡問題に対処する最先端のアルゴリズムよりも優れていることを示しています。

要約(オリジナル)

Most existing methods that cope with noisy labels usually assume that the class distributions are well balanced, which has insufficient capacity to deal with the practical scenarios where training samples have imbalanced distributions. To this end, this paper makes an early effort to tackle the image classification task with both long-tailed distribution and label noise. Existing noise-robust learning methods cannot work in this scenario as it is challenging to differentiate noisy samples from clean samples of tail classes. To deal with this problem, we propose a new learning paradigm based on matching between inferences on weak and strong data augmentations to screen out noisy samples and introduce a leave-noise-out regularization to eliminate the effect of the recognized noisy samples. Furthermore, we incorporate a novel prediction penalty based on online prior distribution to avoid bias towards head classes. This mechanism has superiority in capturing the class fitting degree in realtime compared to the existing long-tail classification methods. Exhaustive experiments demonstrate that the proposed method outperforms state-of-the-art algorithms that address the distribution imbalance problem in long-tailed classification under noisy labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google