Learning from Noisy Anchors的思考

最新推荐文章于 2022-09-19 22:53:22 发布
最新推荐文章于 2022-09-19 22:53:22 发布
阅读量332 收藏 1
点赞数 5
分类专栏： 深度学习 文章标签： 人工智能 深度学习 机器学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47716911/article/details/107846775
版权

文章来源 | 极链AI云（性价比最高的共享算力平台，助力你的技术成长～首次注册可获免费100小时GPU使用时长！官网地址：https://cloud.videojj.com/）

作者 | Chaser【极链AI云技术原创奖励计划】千元云币券获得者

 

论文介绍不作论文翻译，没什么意义，只是讨论一下自己的心得和理解。放上作者大大的原文：论文地址

 

前言

最近关注label assignment比较多，感觉自从NIPS2019的FreeAnchor之后涌现出一大批的相关工作，无论是CVPR2020、ECCV2020还是啥别的，已经看过的就有三四篇，还有三篇没来得及看。

自己也尝试了一下部分论文复现了程序，不得不说，这个角度很有效，出发点是好的，只要角度找好了应用上label assignment，你就是一个新的故事，就是新的论文了。

话虽如此，不过很多理解还是很不错的，值得学习借鉴。实际效果确实不错，很多方法都能跨数据集稳定涨几个点。

 

关于 NOISY ANCHOR 的思考

名字来看，什么叫noisy anchor？作者这里从一个角度比较有意思地阐述这个问题：回归分类的标签本身就是noisy的。

比如长颈

最低0.47元/天 解锁文章
「已注销」
关注
  • 5
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文笔记：Learning from Noisy Anchors for One-stage Object Detection
水不在深有江的博客
02-22 2856
motivation 作者指出，有些GT bbox存在包含其他物体，遮挡等现象。同时在训练时以IOU为标准划分的部分负样本也有可能包含重要的语义或者位置信息。因此训练时标签是noisy的。 进而提出cleanliness scores作为一个re-weight因子在训练中对anchor进行调整。 method cleanliness scores定义如下： loc_a表示定位confidenc...
Learning from Noisy Anchors for One-stage Object Detection 论文笔记
qq_30146937的博客
04-26 1418
前言 在基于anchor的目标检测器中，通常是根据阈值来选择正负样本——anchor与gt的IoU如果高于阈值，那么就是正样本，否则就是负样本。由于一些anchor与gt是部分重叠的，也即该anchor只包含目标的部分信息，因此基于这样的IoU来确定anchor是正样本还是负样本是不太合理的。看下图，蓝框是正样本，红框是负样本，绿框是gt。长颈鹿的头由于IoU过低，因此被作为负样本，但它对于分类与...
Learning from Noisy Anchors for One-stage Object Detection论文阅读翻译 - 2020CVPR
深度检测的博客
08-29 615
Learning from Noisy Anchors for One-stage Object Detection论文阅读翻译
Learning from Noisy Anchors for One-stage Object Detection 论文阅读笔记
read, note and comment papers
05-19 365
这是CVPR2020的一篇论文 当前的目标检测根据于GTbox的IOU把anchor标注为背景或前景类别的分类标签，使得一些不完善的label给训练带来了噪音，提高了训练难度。本文提供了一个 cleanliness score 作为一个soft label，并作为某些trick的权重，提高了目标检测的精度，在retinanet上涨点了2%的map 分类的难度有一点原因是以下现象导致的：由于anchor的label是根据与GT的IOU大小确定的，所以当某个anchor与GT的IOU大于0.5时，也就是.
Learning from Noisy Anchors for One-stage Object Detection
qq_41327720的博客
07-08 173
最先进的目标检测器依赖于回归和分类广泛的可能锚定列表，这些锚定根据其在IoU上与相应的GT的交集分为正样本和负样本。这种以IoU为条件的严格拆分会导致二进制标签存在潜在的噪音，并且对训练具有挑战性。...
Robust Graph Learning From Noisy Data
02-11
Robust Graph Learning From Noisy Data
MSR2017-RobustFill-Neural Program Learning under Noisy IO
12-17
MSR2017-RobustFill-Neural Program Learning under Noisy IO
Awesome-Noisy-Labels:一项调查
04-16
最后更新日期：2021-04-02引文（.bib） @article{song2020learning,title={Learning from noisy labels with deep neural networks: A survey},author={Song, Hwanjun and Kim, Minseok and Park, Dongmin and Shin...
Learning Features from Large-Scale, Noisy and Social Image-Tag Collection
02-11
Learning Features from Large-Scale, Noisy and Social Image-Tag Collection
5.noisy dqn.ipynb
09-02
关于noisy dqn的例子，适合初学者对深度强化学习noisy dqn的认识和了解
【论文笔记】：Learning from Noisy Anchors for One-stage Object Detection
Activewaste
02-03 596
Title Learning from Noisy Anchors for One-stage Object Detection 代码 CVPR 2020 camera ready Summary 目前最先进的目标检测器依赖于回归和分类一系列可能的锚点，这些锚点根据它们与相应的GT的IoU分为正样本和负样本。这样的设置方法会导致歧义性标签的产生，这可能会产生噪音，并且对训练具有挑战性。 作者通过设计与锚相关联的cleanliness score来缓解由不完美的标签分配产生的噪声影响。在不增加任何额
【论文阅读】CVPR2017 Learning From Noisy Large-Scale Datasets With Minimal Supervision
suvedo的博客
10-09 528
【原创】【论文阅读】2020 Learning From Noisy Large-Scale Datasets With Minimal Supervision 论文地址：https://vision.cornell.edu/se3/wp-content/uploads/2017/04/DeepLabelCleaning_CVPR.pdf 利用大规模有噪数据训练模型的常用方法是在有噪数据上做预训练，在精标数据上做精调。 本文提出一种利用精标数据降低有噪数据中噪声的方法。 模型结构如下： 两个任务： La
PPDet: Reducing Label Noise in Anchor-Free Object Detection论文阅读翻译-- 2020BMCV
深度检测的博客
08-17 939
PPDet: Reducing Label Noise in Anchor-Free Object Detection论文阅读翻译 目录：PPDet: Reducing Label Noise in Anchor-Free Object Detection论文阅读翻译一、Abstract二、IntroductionContributions:三、Methods3.1 Labeling strategy and training.3.2 Inference.3.3 Network architecture.四
标签噪声：综述 Learning from Noisy Labels with Deep Neural Networks: A Survey
doctor_strange****
09-19 8587
Learning from Noisy Labels with DNN: Robust architecture, robust regularization, robust loss function, loss adjustment, sample selection
【Noise-Label】《Learning from Noisy Labels with Deep Neural Networks》
bryant_meng
04-16 4161
arXiv-2014 文章目录1 Background and Motivation2 Advantages3 Innovations4 Method4.1 Bottom-up Noise Model4.2 Estimating Noise Distribution Using Clean Data4.3 Learning Noise Distribution From Noisy Data...
一文看尽10篇目标检测最新论文（SpineNet/AugFPN/LRF-Net/SABL/DSFPN等）
fengdu78的博客
12-18 1968
点击上方“CVer”，选择加"星标"或“置顶”重磅干货，第一时间送达前言一周前 Amusi 整理了目标检测（Object Detection）较为值得关注的论文：一文看...
Cascade R-CNN 论文笔记
qq_30146937的博客
02-17 668
前言 在目标检测中，通常会设定一个IoU阈值来区分正样本和负样本，一般将这个阈值设为0.5。但如果以0.5的阈值来训练检测器，检测器会生成许多noisy bbox。如果增大这个阈值，检测器的性能会下降。原因如下： 由于增大了阈值，正样本会减少，在training时会出现过拟合问题。 在training时用于训练检测器的阈值，与inference时输入proposal的IoU相差过大。 因此本文...
【文章解读】FreeAnchor: Learning to Match Anchors for Visual Object Detection
小欧欧的博客
04-04 1619
一、简介 这些年已经有不少基于深度学习的目标检测的文章了，从最开始的Anchor based 到后来的 Anchor Free。但是解读这篇文章，主要是由于他的出发点比较新颖---Free Anchor。 虽然叫Free Anchor，但是依然是Anchor based的方法，只不过他打破了一直以来的Anchor分配机制。 二、回顾Anchor分配机制 ...
论文笔记：Learning Denoising from Single Noisy Images
zbwgycm的博客
02-28 9405
Introduction 上次看过文章Noise2Noise（简称为N2N吧），其使用noisy-noisy image pairs对网络进行训练，可以达到使用noisy-clean image pairs的效果。但在N2N中，使用的noisy-noisy image pairs要求有相同的图像内容带有不同的噪声，即(s+n,s+n′)(s+n, s+n')(s+n,s+n′)，...
learning with neighbor consistency for noisy labels
最新发布
09-17
学习邻居一致性是一种用于处理噪声标签的方法。在现实中，数据集中的标签常常会受到一些错误或噪声的影响，这会对模型的训练和泛化能力造成不利影响。而学习邻居一致性则通过考虑样本的邻居关系来进一步提高模型的鲁棒性。 学习邻居一致性方法的核心思想是基于数据的局部性原理，即相似的样本倾向于具有相似的标签。该方法通过比较样本的标签，检测和修复噪声标签，并将不确定性信息引入模型训练过程中。 具体而言，学习邻居一致性方法会首先构建一个样本的邻居图，其中每个样本的邻居是根据特征相似性确定的。然后，该方法会使用邻居信息来计算每个样本的标签一致性得分。通过比较样本自身的标签和邻居的标签，可以有效地检测和纠正噪声标签。 在模型的训练过程中，学习邻居一致性方法会引入一个邻居一致性损失函数，用于最大化样本与其邻居的标签一致性得分。这样，模型会倾向于对邻居们的标签一致性进行学习，从而提高模型的鲁棒性和泛化能力。 总而言之，学习邻居一致性方法通过考虑样本的邻居关系来处理噪声标签。它通过检测和修正噪声标签，引入不确定性信息，并最大化标签一致性得分来提高模型的鲁棒性。这种方法在处理噪声标签方面具有一定的优势，并可在实际应用中取得良好的效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值