摘要

本文提出了一种名为“顾问网络”（advisor network）的新颖概念，旨在解决图像分类任务中标签噪声问题。深度神经网络（DNN）在含有噪声标注的训练数据上容易出现性能下降和过拟合现象。现有的加权损失方法通过完全消除噪声标签的贡献来缓解其负面影响，然而这种剔除机制虽然有助于防止网络学习到图像与错误标签之间的错误关联，却也减少了可用于训练的有效数据量，尤其是在多数样本均存在噪声标签的情况下。相比之下，本文方法不对每个样本的损失值进行修改，而是直接对分类器提取的特征进行加权。该顾问网络能够聚焦于误标样本中部分有用的信息，使分类器仍可有效利用这些数据。我们采用元学习策略训练该顾问网络，使其能够随主模型的训练过程动态自适应。我们在包含合成噪声的CIFAR-10和CIFAR-100数据集，以及包含真实世界噪声的Clothing1M数据集上对所提方法进行了测试，实验结果达到了当前最优水平。