지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2024.11
- 수록면
- 105 - 111 (7page)
- DOI
- 10.5573/ieie.2024.61.11.105
이용수
초록· 키워드
오류제보하기
노이즈 레이블은 딥 러닝 모델 학습 성능을 저하시키는 주요 요인 중 하나이다. 본 논문에서는 각 클래스의 신뢰할 수 있는 프로토타입과 데이터 특징 간 혼합을 활용하여 레이블 노이즈를 탐지하고 보정하는 새로운 방법을 제안한다. 먼저, 대조 학습을 통해 분류 모델을 학습하고 이미지와 프로토타입 특징 혼합을 통해 노이즈 레이블을 탐지한다. 손실이 낮은 데이터는 정보성이 높은 데이터로 간주되고 프로토타입으로 정의된다. 이후, 레이블 재할당된 프로토타입 특징을 혼합하여 노이즈 여부를 판별한다. 마지막으로, 깨끗한 레이블을 가진 데이터와 프로토타입을 사용하여 가우시안 혼합 모델을 구성하고 의사 레이블을 통해 노이즈 레이블을 보정한다. 제안된 방법은 CIFAR-10/100 데이터셋에서 기존 방법보다 우수한 성능을 보여주었다. 특히, CIFAR-100 데이터셋에서 노이즈 비율이 90%인 경우, 제안된 방법은 기존 방법보다 9% 향상된 정확도를 달성하였다.
목차
요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
Ⅲ. 본론
Ⅳ. 실험
Ⅴ. 결론
REFERENCES
참고문헌 (27)
참고문헌 신청
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition”, In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770–778, 2016.
A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly, J. Uszkoreit, and N. Houlsby, “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale”, In International Conference on Learning Representations, pp. 1-21, 2021.
A. Krizhevsky, and G. Hinton, “Learning multiple layers of features from tiny images”, Technical report, pp. 1-60, 2009.
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “ImageNet: A large-scale hierarchical image database”, In 2009 IEEE conference on computer vision and pattern recognition, pp. 248-255, 2009.
L. Jiang, Z. Zhou, T. Leung, L.-J. Li, and L. Fei-Fei, "MentorNet: Learning Data-Driven Curriculum for Very Deep Neural Networks on Corrupted Labels", In International conference on machine learning (PMLR), pp. 2304-2313, 2018.
A. Dosovitskiy, L. Beyer, A. Kolesnikov, D. Weissenborn, X. Zhai, T. Unterthiner, M. Dehghani, M. Minderer, G. Heigold, S. Gelly, J. Uszkoreit, and N. Houlsby, “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale”, In International Conference on Learning Representations, pp. 1-21, 2021.
A. Krizhevsky, and G. Hinton, “Learning multiple layers of features from tiny images”, Technical report, pp. 1-60, 2009.
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “ImageNet: A large-scale hierarchical image database”, In 2009 IEEE conference on computer vision and pattern recognition, pp. 248-255, 2009.
L. Jiang, Z. Zhou, T. Leung, L.-J. Li, and L. Fei-Fei, "MentorNet: Learning Data-Driven Curriculum for Very Deep Neural Networks on Corrupted Labels", In International conference on machine learning (PMLR), pp. 2304-2313, 2018.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
S3L: 레이블 노이즈에 강건한 셀프 샘플 선택 학습 알고리즘
한국정보과학회 학술발표논문집
2021 .12
-
Learning with Noisy Labels using Sample Selection based on Language-Image Pre-trained Model
Journal of KIISE
2023 .06
-
다중 레이블 분류의 정확도 향상을 위한 스킵 연결 오토인코더 기반 레이블 임베딩 방법론
지능정보연구
2021 .09
-
레이블 노이즈(label noise)에강건한 준지도학습 심층 생성 모델(deep generative model)
대한산업공학회 추계학술대회 논문집
2023 .11
-
모델 위원회를 사용한 노이즈 레이블 정제 학습
제어로봇시스템학회 국내학술대회 논문집
2022 .06
-
한국어 립리딩 모델 학습을 위한 레이블 노이즈 영향성 분석
정보과학회 컴퓨팅의 실제 논문지
2024 .08
-
레이블 노이즈에 강건한 머신 러닝 및 실 세계 응용
정보과학회지
2022 .11
-
다중 레이블 분류의 정확도 향상을 위한 스킵 연결 오토인코더 기반 레이블 임베딩 방법론
한국지능정보시스템학회 학술대회논문집
2021 .06
-
노이즈 자가 학습 기법을 사용한 혐오표현 판별 모델
한국정보과학회 학술발표논문집
2021 .06
-
모델의 오버피팅(Overfitting) 특성을 이용한 레이블 노이즈(Label Noise) 탐지
대한전자공학회 학술대회
2020 .08
-
레이블 노이즈에 강건한 학습을 위한 교사-학생 모델 간 증류에서의 지식 정제 방법
한국정보과학회 학술발표논문집
2022 .06
-
Semi-Supervised Learning Exploiting Robust Loss Function for Sparse Labeled Data
Journal of KIISE
2021 .12
-
MCM: 레이블 노이즈에 강건한 Mix Contrastive-Match
한국정보과학회 학술발표논문집
2020 .12
-
1차원 합성곱 신경망을 활용한 다중 레이블 분류
한국정보과학회 학술발표논문집
2021 .06
-
불확실성 기반의 샘플 의존적 노이즈 레이블 생성
대한산업공학회 추계학술대회 논문집
2024 .10
-
수도 레이블을 활용한 준지도 학습 기반의 도로노면 파손 탐지
한국ITS학회 논문지
2019 .01
-
저정밀 레이블 지도를 이용한 의미론적 영상 분할
한국통신학회논문지
2019 .09
-
레이블 노이즈 상황 하에서의 시계열 분류를 위한 효율적인 샘플 선택 방법
대한산업공학회 추계학술대회 논문집
2022 .11
-
라벨 노이즈 환경에서 확률분포 예측 성능 향상 방법
한국정보통신학회 종합학술대회 논문집
2021 .05
-
A Label Inference Algorithm Considering Vertex Importance in Semi-Supervised Learning
Journal of KIISE
2015 .12
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-25-02-091204562