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346 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
本文探讨了深度学习中噪声锚点（Noisy Anchor）的问题，作者指出回归分类标签的不连续性导致评判标准的模糊，进而产生噪声。文章介绍了论文提出的解决方法，包括基于网络预测的锚点匹配和损失函数调整。实验表明，虽然这种方法有一定的效果，但可能受限于样本质量和干扰问题。作者还分享了实验中遇到的问题和对改进的思考。
摘要由CSDN通过智能技术生成

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
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 2863
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 1428
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
08-29 631
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
05-19 390
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
07-08 200
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。...
【论文笔记】：Learning from Noisy Anchors for One-stage Object Detection
Activewaste
02-03 618
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
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
【论文阅读】CVPR2017 Learning From Noisy Large-Scale Datasets With Minimal Supervision
suvedo的博客
10-09 543
【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
08-17 953
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 1万+
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 4191
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 1986
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
02-17 706
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 1672
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 9547
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′)，...
AAAI2021会议续篇！详解论文注册投稿流程！
weixin_47716911的博客
08-31 1万+
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 原文地址 |AAAi2021论文投稿流程原文首发，未经允许，禁止转载 关于今年的AAAI2021会议，网上完全没有注册流程介绍，连会议相关介绍都没有，上次简单写了一个《AAAI2021会议马上开放注册了！注意截稿时间！》，居然得到了很多关注，为了帮...
AAAI2021会议马上开放注册了！注意截稿时间！
weixin_47716911的博客
08-12 4112
最近正好临近AAAI2021的注册开放日，先放上官方地址，简单记一下几个当前重要时间点和注意事项： 会议DATE 8.15开放注册 9.1摘要截稿日期 9.9全文提交截稿日期 9.16 提交补充材料 10.13一阶段拒稿通知（这是新机制） 11.3-5 回复阶段 12.1最终录用结果 注意事项 两次审稿：今年aaai采取两阶段审稿，每个阶段都有2位审稿人。10.13会拒掉一部分不合格的稿件，避免低质量的投稿影响效率。 文章篇幅：7+2，两页引文，和之前略有不同。 会议地址：今...
【神经网络架构】Pyramid Convolution（金字塔卷积模块）论文笔记
weixin_47716911的博客
09-22 2920
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 | 小仇【极链AI云技术原创奖励计划】 原文地址 |【神经网络架构】Pyramid Convolution（金字塔卷积模块）论文笔记（官网论坛） 今年论文提出很多是，在一般backbone上通过添加小模块用于提升分类分割目标检测等任务的精度。下面介绍DeepMind提出的Pyramidal Convolution...
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...
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