本篇工作中，作者及团队提出了一个开放场景下基于带噪数据的学习框架(NGC: A Unified Framework for Learning with Open-World Noisy Data)，在训练与测试过程中均考虑了噪声样本的影响，在多个数据集上超过了当前SOTA方法。该方法在ICCV 2021上被接收为口头报告（Oral）。

论文链接：https://arxiv.org/pdf/2108.11035.pdf

这项工作的主要贡献如下：

  • 我们研究了一个新问题，即训练集包含IND和OOD噪声样本，测试集包含OOD样本的开放世界带噪学习问题，这是在现实场景应用中较为实际的设置。
  • 我们提出了一个新的基于图的带噪学习框架，NGC，它通过利用模型预测的置信度和数据的几何结构关系来纠正IND噪声标签并筛除OOD样本。与此同时，NGC可以在测试时检测并拒绝OOD样本。
  • 我们在多个基准数据集上评估了NGC在各种噪声类型以及真实世界的任务中的表现。实验结果表明，NGC可在多个带噪学习任务上达到当前的SOTA性能。

图 基于图结构的噪声标记纠正方法和基于子图的样本选择策略

内容中包含的图片若涉及版权问题，请及时与我们联系删除