PSSCL: إطار اختيار عينات تدريجي مع خسارة تباينية مصمم للوسوم الضوضائية
{Qiu Chen Filipe R. Cordeiro Yi Zhu Qian Zhang}
الملخص
تتضمّن مجموعات الصور الكبيرة عادةً علامات ضوضائية لا يمكن تجنّبها، مما يؤدي إلى الانتفاخ (Overfitting) في الشبكات العصبية العميقة وتراجع الأداء. تعتمد معظم الطرق الحالية لتعلم من العلامات الضوضائية على إطار عمل من مرحلة واحدة، حيث يُدمج تقسيم بيانات التدريب مع التعلم شبه المراقب (SSL) في عملية التحسين. وبذلك، تتأثر فعالية هذه الطرق بشكل كبير بدقة المجموعة النظيفة المنفصلة، ومعرفة الضوضاء المسبقة، ومقاومة خوارزميات التعلم شبه المراقب. في هذا البحث، نقترح إطارًا تدريجيًا لاختيار العينات يُدعى PSSCL (PSSCL: Progressive Sample Selection with Contrastive Loss)، والذي يتعامل مع العلامات الضوضائية. يتميّز هذا الإطار بعمله على مرحلتين، ويستخدم خسائر مقاومة وضوئية لتعزيز مقاومة النموذج. في المرحلة الأولى، يركّز على تحديد مجموعة صغيرة من العينات النظيفة من خلال استراتيجية كشف الثقة الطويلة الأمد، بينما تهدف المرحلة الثانية إلى تحسين الأداء من خلال توسيع هذه المجموعة النظيفة. تُظهر نتائج PSSCL تحسينًا ملحوظًا مقارنةً بالطرق الرائدة في مجالها عبر مجموعة متنوعة من المعايير المعيارية. يمكن الوصول إلى الشيفرة المصدرية عبر الرابط التالي: https://github.com/LanXiaoPang613/PSSCL.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| image-classification-on-mini-webvision-1-0 | PSSCL (130 epochs) | ImageNet Top-1 Accuracy: 79.68 ImageNet Top-5 Accuracy: 95.16 Top-1 Accuracy: 79.56 Top-5 Accuracy: 94.84 |
| image-classification-on-mini-webvision-1-0 | PSSCL (120 epochs) | ImageNet Top-1 Accuracy: 79.40 ImageNet Top-5 Accuracy: 94.84 Top-1 Accuracy: 78.52 Top-5 Accuracy: 93.80 |
| learning-with-noisy-labels-on-animal | PSSCL | Accuracy: 88.74 ImageNet Pretrained: NO Network: Vgg19-BN |
| learning-with-noisy-labels-on-cifar-100n | PSSCL | Accuracy (mean): 72.00 |
| learning-with-noisy-labels-on-cifar-10n | PSSCL | Accuracy (mean): 96.41 |
| learning-with-noisy-labels-on-cifar-10n-1 | PSSCL | Accuracy (mean): 96.17 |
| learning-with-noisy-labels-on-cifar-10n-2 | PSSCL | Accuracy (mean): 96.21 |
| learning-with-noisy-labels-on-cifar-10n-3 | PSSCL | Accuracy (mean): 96.49 |
| learning-with-noisy-labels-on-cifar-10n-worst | PSSCL | Accuracy (mean): 95.12 |
| learning-with-noisy-labels-on-food-101 | PSSCL | Accuracy (% ): 86.41 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.