Key points are not available for this paper at this time.
Unvoreingenommene SGG hat in den letzten Jahren erhebliche Fortschritte erzielt. Allerdings haben fast alle bestehenden SGG-Modelle die Qualitäten der Ground-Truth-Annotationen der vorherrschenden SGG-Datensätze übersehen, d.h. sie nehmen immer an: 1) alle manuell annotierten positiven Proben sind gleichermaßen korrekt; 2) alle nicht annotierten negativen Proben sind absolut Hintergrund. In diesem Papier argumentieren wir, dass beide Annahmen für SGG nicht anwendbar sind: Es gibt zahlreiche "rauschbehaftete" Ground-Truth-Prädikatslabels, die diese beiden Annahmen verletzen, und diese rauschbehaften Proben schädigen tatsächlich das Training unvoreingenommener SGG-Modelle. Zu diesem Zweck schlagen wir eine neuartige modellunabhängige Rauschetikettkorrekturstrategie für SGG vor: NICE. NICE kann nicht nur rauschbehaftete Proben erkennen, sondern auch qualitativ hochwertigere Prädikatslabels neu zuweisen. Nach dem NICE-Training können wir eine sauberere Version des SGG-Datensatzes für das Modelltraining erhalten. Konkret besteht NICE aus drei Komponenten: Negativ Rauschproben-Erkennung (Neg-NSD), positive NSD (Pos-NSD) und Korrektur rauschbehafteter Proben (NSC). Erstens formulieren wir in Neg-NSD diese Aufgabe als ein Problem der Aus-repräsentationserkennung und weisen allen erkannten rauschbehafteten negativen Proben Pseudolabels zu. Dann verwenden wir in Pos-NSD einen clustering-basierten Algorithmus, um alle positiven Proben in mehrere Mengen zu unterteilen und behandeln die Proben in der lautesten Menge als rauschbehaftete positive Proben. Schließlich verwenden wir in NSC einen einfachen, aber effektiven gewichteten KNN, um neuen Prädikatslabels rauschbehaftete positiven Proben neu zuzuweisen. Umfassende Ergebnisse zu verschiedenen Architekturen und Aufgaben haben die Effektivität und Generalisierungsfähigkeiten jeder Komponente von NICE belegt.
Li et al. (Mi,) haben diese Frage untersucht.