面向实例依赖标签噪声学习的动态混合噪声识别方法

摘要

在实例依赖标签噪声IDN学习中，半监督方法能缓解噪声干扰并利用特征信息，但其效果依赖于准确的噪声识别，易受识别方法的影响。为解决噪声识别不准确的问题，设计了鲁棒特征重心以弱化不可靠数据的干扰，并提出了一种基于特征相似度的分布自适应动态混合模型DMM,通过提取特征相似度、结合高斯混合模型GMM与Beta混合模型BMM拟合分布并动态融合，实现更准确的噪声识别，最终结合半监督策略完成训练。在人工加噪的CIFAR-10/100数据集上，所提方法均达到了最优性能。在真实世界噪声数据集Animal-10N和Clothing1M上的最高分类准确率分别为84.21%和75.80%,优于现有代表性方法，验证了所提方法在实例依赖标签噪声学习任务中的有效性与适用性。

关键词

实例依赖噪声 / 标签噪声学习 / 类重心 / 动态混合模型 / 半监督学习