Réseaux d'assistants d'apprentissage pour la classification d'images bruitées

Dans cet article, nous introduisons le concept novateur de réseau d’orientation (advisor network) afin de traiter le problème des étiquettes bruitées dans la classification d’images. Les réseaux de neurones profonds (DNN) sont sujets à une dégradation des performances et à un surajustement lorsqu’ils sont entraînés sur des données présentant des annotations erronées. Les méthodes basées sur le poidsage de la perte visent à atténuer l’impact des étiquettes bruitées pendant l’entraînement en éliminant complètement leur contribution. Ce processus d’élimination empêche les DNN d’apprendre des associations erronées entre les images et leurs vraies étiquettes, mais réduit également la quantité de données utilisées, en particulier lorsque la majorité des échantillons sont mal étiquetés. À la différence de ces approches, notre méthode pondère directement les caractéristiques extraites à partir du classificateur, sans modifier la valeur de perte de chaque échantillon. Le réseau d’orientation permet ainsi de se concentrer uniquement sur certaines parties de l’information contenue dans les exemples mal étiquetés, tout en permettant au classificateur d’exploiter ces données. Nous avons entraîné ce réseau à l’aide d’une stratégie d’apprentissage métacognitif, lui permettant de s’adapter progressivement tout au long de l’entraînement du modèle principal. Nous avons évalué notre méthode sur CIFAR10 et CIFAR100 avec des bruits synthétiques, ainsi que sur Clothing1M, qui contient des bruits réels du monde réel, obtenant des résultats parmi les meilleurs de l’état de l’art.