admin 管理员组

文章数量: 1184232

Jo-SRC: A Contrastive Approach for Combating Noisy Labels

  • Abstract
  • Introduction
  • Method
  • Summary

整理了文章的关键内容，内容源自 Jo-SRC: A Contrastive Approach for Combating Noisy Labels。

Abstract

  1. we train the network in a contrastive learning manner
    对比学习
  2. Predictions from two different views of each sample are used to estimate its “likelihood” of being clean or out-of-distribution.
    一个样本在两个不同的视图预测下，来评估其是否是噪声
  3. we propose a joint loss to advance the model generalization performance by introducing consistency regularization
    联合损失：通过引入一致性正则化来提高模型泛化性能

Introduction

  1. 介绍了深度学习和噪声标签的背景，说明处理噪声标签的必要性

  2. 先前方法：

    • Loss correction: 如噪声转移矩阵，鲁棒损失函数
    • Sample Selection: 如co-teaching

    噪声比较高容易失效

  3. 研究表明DNN在过拟合前优先记住干净简单的模式，目前的方法主要在ID(in-dis

本文标签： 论文 SRC Jo Contrastive labels

版权声明：本文标题：论文阅读Jo-SRC: A Contrastive Approach for Combating Noisy Labels 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1763631598a3256360.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。