CleanNet : Apprentissage par transfert pour un entraînement d'classificateurs d'images évolutif avec du bruit étiqueté

Dans cet article, nous étudions le problème de l'apprentissage de modèles de classification d'images avec du bruit étiqueté. Les approches existantes dépendant de la supervision humaine ne sont généralement pas évolutives, car identifier manuellement les étiquettes correctes ou incorrectes est chronophage, tandis que les approches ne reposant pas sur la supervision humaine sont évolutives mais moins efficaces. Pour réduire la quantité de supervision humaine nécessaire au nettoyage du bruit étiqueté, nous introduisons CleanNet, un réseau d'embeddings neuronaux conjoint, qui ne nécessite qu'une fraction des classes validées manuellement pour fournir la connaissance du bruit étiqueté pouvant être transférée à d'autres classes. Nous intégrons en outre CleanNet et un classificateur CNN classique dans un seul cadre pour l'apprentissage de la classification d'images. Nous démontrons l'efficacité de l'algorithme proposé à la fois sur la tâche de détection de bruit étiqueté et la tâche de classification d'images sur des données bruitées sur plusieurs ensembles de données à grande échelle. Les résultats expérimentaux montrent que CleanNet peut réduire le taux d'erreur de détection de bruit étiqueté sur des classes mises de côté où aucune supervision humaine n'est disponible de 41,5 % par rapport aux méthodes actuellement faiblement supervisées. Il atteint également 47 % de gain de performance en vérifiant toutes les images avec seulement 3,2 % des images vérifiées sur une tâche de classification d'images. Le code source et l'ensemble de données seront disponibles sur kuanghuei.github.io/CleanNetProject.