摘要
大规模图像数据集通常包含不可避免的噪声标签，这会导致深度神经网络出现过拟合现象，进而降低模型性能。现有大多数基于噪声标签的学习方法均采用单阶段框架，其中训练数据的划分与半监督学习（SSL）在优化过程中相互交织，因此其效果显著依赖于分离出的干净样本集的准确性、对噪声先验知识的掌握程度以及半监督学习方法的鲁棒性。针对这一问题，本文提出一种基于对比损失的渐进式样本选择框架——PSSCL（Progressive Sample Selection with Contrastive Loss），该框架分为两个阶段，通过引入鲁棒性损失与对比损失来增强模型的鲁棒性。第一阶段采用长期置信度检测策略，旨在识别出一个小规模的干净样本集；第二阶段则通过扩展该干净样本集以进一步提升模型性能。在多个基准测试中，PSSCL相较于当前最优方法均展现出显著的性能提升。代码已开源，地址为：https://github.com/LanXiaoPang613/PSSCL。