阅读CVPR2017 论文 学习于大规模噪声数据集 采用最少监督学习方法

该论文提出了一种利用精标数据降低有噪数据中噪声的方法，并设计了一种高效的模型架构以实现这一目标。论文的主要贡献包括Label Cleaning Network和Image Classifier两个模块：前者通过引入有噪label残差学习精标label与有噪label的差值以提高学习难度；后者则直接对图片进行分类并结合Label Cleaning Network纠正后的标签进行优化。在损失函数方面，Label Cleaning Network采用交叉熵损失Lclean（权重为0.1），而Image Classifier采用交叉熵损失Lclassify（权重为1.0）。训练过程中并未将Lclassify的梯度回传至Label Cleaning Network以避免干扰学习过程。实验结果表明该方法在Open Image Dataset上取得了优异的表现，具体包括Average Precision（AP）和Mean Average Precision（MAP）指标的具体数值（未在文本中详细列出）。

学术资源链接：https://vision.cornell.edu/se3/wp-content/uploads/2017/04/DeepLabelCleaning_CVPR.pdf

通过大量含噪数据对模型进行训练的常见做法是先在含噪数据上进行预训练，在干净标注数据上进行微调优化。 本