Lärmverarbeitung für die Klassifizierung: Eine Umfrage

In den letzten Jahren haben tiefe neuronale Netze (DNNs) bemerkenswerte Erfolge bei Aufgaben der Computer Vision erzielt, und der Erfolg von DNNs hängt oft stark von der Datenreichhaltigkeit ab. Der Erwerbsprozess von Daten und hochwertigen Ground Truth erfordert jedoch viel manpower und Geld. Im langen, mühsamen Prozess der Datenannotation sind Annotatoren anfällig für Fehler, was zu falschen Labels von Bildern führt, d.h. zu fehlerhaften Labels. Das Auftreten von fehlerhaften Labels ist unvermeidlich. Darüber hinaus zeigen Forschungen, dass DNNs fehlerhafte Labels problemlos anpassen können, weshalb das Vorhandensein von fehlerhaften Labels erhebliche Schäden im Trainingsprozess des Modells verursachen wird. Daher ist es entscheidend, gegen fehlerhafte Labels bei Aufgaben der Computer Vision, insbesondere bei Klassifizierungsaufgaben, vorzugehen. In dieser Umfrage überprüfen wir zunächst umfassend die Entwicklung verschiedener Deep-Learning-Ansätze zur Bekämpfung fehlerhafter Labels in der Bildklassifizierungsaufgabe. Darüber hinaus überprüfen wir auch verschiedene Rauschmuster, die vorgeschlagen wurden, um robuste Algorithmen zu entwerfen. Außerdem untersuchen wir das innere Muster von Rauschlabels in der realen Welt und schlagen einen Algorithmus vor, um ein synthetisches Rauschlabelmuster zu erzeugen, das von realen Daten geleitet wird. Wir testen den Algorithmus an dem bekannten realen Datensatz CIFAR-10N, um eine neue, von realen Daten geleitete synthetische Benchmark zu bilden, und bewerten einige typische rauschrobuste Methoden anhand dieser Benchmark.