admin管理员组文章数量:1130349
Jo-SRC: A Contrastive Approach for Combating Noisy Labels
- Abstract
- Introduction
- Method
- Summary
整理了文章的关键内容，内容源自 Jo-SRC: A Contrastive Approach for Combating Noisy Labels。
Abstract
- we train the network in a contrastive learning manner
对比学习 - Predictions from two different views of each sample are used to estimate its “likelihood” of being clean or out-of-distribution.
一个样本在两个不同的视图预测下，来评估其是否是噪声 - we propose a joint loss to advance the model generalization performance by introducing consistency regularization
联合损失：通过引入一致性正则化来提高模型泛化性能
Introduction
-
介绍了深度学习和噪声标签的背景，说明处理噪声标签的必要性
-
先前方法：
- Loss correction: 如噪声转移矩阵，鲁棒损失函数
- Sample Selection: 如co-teaching
噪声比较高容易失效
-
研究表明DNN在过拟合前优先记住干净简单的模式，目前的方法主要在ID(in-dis
Jo-SRC: A Contrastive Approach for Combating Noisy Labels
- Abstract
- Introduction
- Method
- Summary
整理了文章的关键内容，内容源自 Jo-SRC: A Contrastive Approach for Combating Noisy Labels。
Abstract
- we train the network in a contrastive learning manner
对比学习 - Predictions from two different views of each sample are used to estimate its “likelihood” of being clean or out-of-distribution.
一个样本在两个不同的视图预测下，来评估其是否是噪声 - we propose a joint loss to advance the model generalization performance by introducing consistency regularization
联合损失：通过引入一致性正则化来提高模型泛化性能
Introduction
-
介绍了深度学习和噪声标签的背景，说明处理噪声标签的必要性
-
先前方法：
- Loss correction: 如噪声转移矩阵，鲁棒损失函数
- Sample Selection: 如co-teaching
噪声比较高容易失效
-
研究表明DNN在过拟合前优先记住干净简单的模式，目前的方法主要在ID(in-dis
本文标签： 论文SRCJoContrastivelabels
版权声明：本文标题：论文阅读Jo-SRC: A Contrastive Approach for Combating Noisy Labels 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1763631592a2949734.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论