科研之友
微信
新浪微博
Facebook
分享链接
摘要
噪声标签在实际数据集中普遍存在，这将严重影响深度神经网络的学习效果。针对此问题，提出了一种基于标签差学习的噪声标签数据识别与数据再标记方法。该方法首先设计两种不同的伪标签生成策略，利用基础网络所识别的干净数据生成人工噪声数据集，并计算该数据集的标签差向量或标签差矩阵；然后以强化相似类别间的关联性为目标，利用全连接层与单行卷积核，设计标签差向量网络与标签差矩阵网络等两种噪声学习网络直接学习样本数据的噪声概率；最后设计与噪声率线性相关的阈值，对干净数据与噪声数据进行判断。通过设计实验，对包括伪标签生成策略、网络结构、训练迭代次数等影响网络识别性能的因素进行分析。在公开数据集上的测试表明，在多种噪声分布情况中，本文算法在保持干净数据的准确率与召回率基本稳定的前提下，能显著提高噪声数据的准确率与召回率，提高幅度最大为16.45%及21.01%。
- 单位
