label noisy是什么概念？

最新推荐文章于 2025-06-01 13:32:03 发布
原创 最新推荐文章于 2025-06-01 13:32:03 发布 · 4.8k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了CVPR2019一篇关于多标签分类中部分标签噪声问题的论文，作者通过NUS-WIDE数据库的例子说明了标签噪声的存在，并介绍了论文中提出的解决方案及对训练深度判别神经网络的鲁棒性提升。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在CVPR2019的论文《Learning a Deep ConvNet for Multi-label Classification with Partial Labels》中看到label noisy这个概念，突然就想起自己处理NUS-WIDE数据库一开始就发现的问题。

刚开始处理NUS-WIDE的时候，就发现NUS-WIDE的标签不对。例如下面几张图：

这张图的标签只给了grass，没有标people

这张图的标签只给了people，没有给标grass

起初以为自己的标签打错了，后来验证了几遍发现没错，确认是原始数据库的问题。

这种情况就是label noisy，在人工标定的multi-label classification问题上很明显。

 

cvpr这篇论文提供了自己的处理方法，也介绍了另一篇论文《Toward Robustness against Label Noise in Training Deep Discriminative Neural Networks》。

2022-03-04-Label-Noise-Learning
DeepIndeed
03-10 1236
layout comments title categories tags description post true Label Noise Learning blog 自然语言处理 Label Noise Learning L...
Learning From Noisy Labels with Deep Neural Networks: A survey
HitWorkerA的博客
12-09 1270
Learning with Noisy Labels的综述文章简要记录，改文章对2020年以前的基于深度学习的Learning with Noisy Labels的文章做了一个总结，要点包括方法，优缺点，以及未来的发展趋势。
置信学习寻找噪音样本(noisy label)在NLP任务中的实践
HGlyh的博客
05-06 2694
置信学习寻找噪音样本(noisy label)在NLP任务中的实践
Python开发者数据标注工具 - Label Studio深度应用指南
最新发布
weixin_42430341的博客
06-01 985
Label Studio是一款开源的数据标注工具，专为数据科学和机器学习任务设计。随着人工智能的快速发展，标注工具的需求愈发迫切，它支持音频、图像、文本、视频等多种数据类型，使用简单直观的界面来帮助研究者和开发者高效完成数据标注工作。其设计理念是提供一个高度可定制的平台，使得用户可以根据特定的需求对界面和功能进行定制，不同于那些封闭的单一功能工具，它为数据标注提供了极大的灵活性和扩展性。Label Studio的核心功能包括：多模态数据支持：可处理各种数据类型，如图像、音频、文本和视频。
noisy labels and label smothing
Stephanie的博客
03-10 175
我要看懂这个代码！！ import numpy as np import tensorflow as tf import matplotlib.pyplot as plt np.random.seed(0) # for reproducibility X = np.random.randint(0, 3, (32*1100, 10), np.int32) # inputs Y = np.equal(np.concatenate((np.ones_like(X[:, :1]), np.sign(X[:
Learning with Noisy Label
weixin_42051034的博客
06-28 2728
Learning with Noisy Label学习记录总结1.1 阅读背景1.2 理论基础类1.2.1 paper: understanding deep learning requires rethinking generalization -- 2017论文解读笔记1.2.2 paper: Convexity, Classification, and Risk Bounds1.3 基于概率模型 estimate noisy label1.3.1 paper: Training deep neural
5328笔记 Advanced ML Chapter9-Learning with Noisy Data II: Label Noise
爱学习的大叔的博客
11-06 409
label nosie: 就是target y 带有噪声 目标： 找到具有标签鲁棒性的分类器，即对带noise的label进行学习，最终可预测正确的y（不带noise）。 在引入RCN和CNN前，先复习下概率的理论。 RCN: 当噪点是随机分布的，我们可以通过对称损失函数对其进行抵消。 Importance reweighting：迁移学习的domain转换 ...
Learning Discriminative Dynamics with Label Corruption for Noisy Label Detection（CVPR2024），这篇论文是如何找到noise label的
03-13
首先，我需要确定这两个方法的基本概念和它们在噪声标签检测中的应用。 首先，判别动力学可能指的是在训练过程中模型对样本的判别能力的变化，比如不同训练阶段模型对样本预测的一致性。噪声标签的样本通常会在训练...
Learning to Learn from Noisy Labeled Data
weixin_38654615的博客
01-08 1494
Learning to Learn from Noisy Labeled Data 论文地址：https://arxiv.org/pdf/1812.05214.pdf 代码分享：https://github.com/LiJunnan1992/MLNT 一、 ABSTARCT DNN依赖于大量的数据，人工标注昂贵，网络上廉价的数据源往往包含不准确的数据，训练带有噪声的数据集会导致性能下降。本文提出了一个 noise-tolerant 训练算法，其中meta-learning update在常规的.
[论文笔记03] Review–A Survey of Learning from Noisy Labels
WindyZXY的博客
03-06 1271
在本次调查中，我们将现有的噪声标签学习工作总结为两个主要类别：损失校正和样本选择，并介绍它们的方法、常用的实验设置、数据集和最先进的结果。最后，我们讨论了一个有前途的研究方向，可能对未来的研究有价值。
Learning with Noisy Labels for Robust Point Cloud Segmentation
weixin_37592611的博客
08-10 620
Learning with Noisy Labels for Robust Point Cloud Segmentation 自己理解，仅供参考 Contributions: 本文是第一篇针对点云噪音标签问题提出解决方案的文章，本文提出了一种新颖的噪音点自适应学习框架，用于解决点云分割中存在噪音标签数据的问题。针对错误的groundtruth数据，文中首先提出了基于以前的预测结果（分割结果）的逐点置信选择（即判断该店的标签是否正确），然后提取聚类的标签纠正方法，通过投票选择最佳点的标签作为纠正后的标签。 P
matlab代码影响-LabelNoiseTS:标签噪音
05-22
matlab代码影响生成合成时间序列数据集以研究类别标签噪声对分类性能的影响 目录 介绍 该模块生成合成的单变量时间序列数据集，其中包含不同级别的标签噪声。 生成的数据集包括具有多边形概念的遥感数据集特异性。 该想法是考虑到野外活动协议，在该协议中，为样本标签分配了描述同质区域（例如作物田地）的多边形。 该代码支持以下期刊和会议论文： @article{pelletier2017effect, title={Effect of training class label noise on classification performances for land cover mapping with satellite image time series}, author={Pelletier, Charlotte and Valero, Silvia and Inglada, Jordi and Champion, Nicolas and Marais Sicre, Claire and Dedieu, G{\'e}rard}, journal={Remote Sensing}, vol
Noise-label-generation-and-relabeling:在给定噪声率的情况下为数据集生成噪声标签，并使用重新标记算法对这些噪声标签进行重新标记
04-14
噪声标签生成和重新标记 在给定噪声率的情况下为数据集生成噪声标签，并使用重新标记算法对这些噪声标签进行重新标记 f1.test.py为all_tickets.csv数据集生成嘈杂的标签，使用“ body”作为特征，使用“ urgency”和“ ticket_type”作为预测标签。 我们假设'紧急'标签可能有一些嘈杂的标签，所以我们在'紧急'上添加了噪音。我们将48000数据拆分为火车数据集，将左侧的数据拆分为测试数据。在为'紧急'生成嘈杂标签's'之后，我们将' body。，'ticket_type'和's'到train_data.csv。在category.py中，我们生成重新标记的标签'relabel'并将其写入relabel.csv文件。除了门票数据集之外，我们还测试了其他数据集。 资料集 文件 结果文件夹 all_tickets.csv test.py 票 情绪训练 tes
Advances-in-Label-Noise-Learning:精选（最新）的带有噪声标签的学习资源列表
04-16
嘈杂的标签学习 A curated list of most recent works in Learning with Noisy Labels 内容 论文和代码（2021） 此回购专注于2019年之后的论文，有关以前的作品，请参阅（ ）。 国际学习代表大会（ICLR 2021） 会议日期：2021年5月3日-2021年5月7日 优化时-标签噪声会导致发散性很强。 使用实例相关的标签噪声进行学习：一种示例筛方法。 噪音与噪音：随机标签噪音有助于对抗固有标签噪音。 学习与特征相关的标签噪声：一种渐进的方法。 健壮的早期学习：妨碍记住嘈杂的标签。 健壮的课程学习：从干净的标签检测到嘈杂的标签自我校正。 [纸] 混合如何帮助鲁棒性和泛化？ [纸] 对未标记数据进行深度网络自训练的理论分析。 [纸] IEEE计算机视觉和模式识别会议（CVPR 2021）-更新
论文笔记：Learning with Noisy Labels for Sentence-level Sentiment Classification
qq_40206371的博客
04-15 1123
emnlp 2019 0 摘要 深度神经网络 (DNN) 可以很好地拟合（甚至过度拟合）训练数据。 如果 DNN 模型使用带有噪声标签的数据进行训练，并在带有干净标签的数据上进行测试，则该模型可能表现不佳。 本文研究了使用噪声标签进行句子级情感分类的学习问题。 我们提出了一种新的 DNN 模型，称为 NETAB（作为带有 AB 网络的卷积神经网络的简写）来处理训练期间的噪声标签。 NETAB 由两个卷积神经网络组成，一个具有噪声转换层，用于处理输入噪声标签，另一个用于预测“干净”标签。 ...
171110 Presentation for noisy label papers
专注机器学习之路
11-10 1232
Paper Download-Training deep neural-networks using a noise adaptation layer Define问题描述：训练数据中带有错误标记的数据怎么办？A soft-classifier (What?) p(y=i|x;w)p(y=i|x;w) where： x is the feature vector w is
论文阅读《Symmetric Cross Entropy for Robust Learning with Noisy Labels》
jackzhang11的博客
04-27 5041
论文链接：https://arxiv.org/abs/1908.06112 ICCV19的一篇文章，跟Nosiy Label相关。noisy label指的是质量再高的数据集中，难免也会存在一些错误的标注，而这些错误标注会对DNN的训练带来影响。在本文中，作者揭示了传统用作分类的交叉熵CE损失函数的弊端：即在一些easy class会对nosiy label过拟合，同时一些hard class学习的也不够充分。 因此作者根据KL散度的非对称性，提出了一种Symmetric cross entropy Lea
170904 Training Deep Neural Networks on Noisy Labels with Bootstrapping-Notes(TBC)
专注机器学习之路
09-04 1494
References What is the difference between the detection, recognition and identification of things? A Friendly Introduction to Cross-Entropy Loss The cross-entropy error function in neural networks
[论文阅读] | Self-Adaptive Training & label noise
学习笔记
12-15 4202
写在前面：前段时间在学习关于噪声样本的处理，导师分享了两篇论文，其中一篇为Self-Adaptive Training。核心思想是，在线性组合预测标签和实际标注标签的基础上，进一步改进为训练过程中预测标签和实际标注标签的移动加权平均值。 最初的一个疑问：训练数据中含有部分噪声样本，即喂给网络的数据有部分是错误的，那么网络是如何在这种情况下学习到噪声样本可能对应的正确标签呢？？？ 论文：Huang, Lang, Chao Zhang, and Hongyang Zhang. “Self-adapti.
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值