检索结果-南通市图书馆

改进YOLOv5对病理图像下噪声标签的检测与自动纠正应用

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

软件导刊 2024年第3期23卷 157-164页

作者：张祯阳叶萍常兆华上海理工大学健康科学与工程学院上海200093

病理图像细胞检测是医学诊断的基础部分,正确、精准地检测靶向细胞及其数量对疾病诊疗至关重要。传统医学采用手工镜检的估计方式检测病理图像,依赖病理医生的工作经验,存在主观性、检测精度较低的问题。为此,提出改进YOLOv5的噪声标签... 详细信息

病理图像细胞检测是医学诊断的基础部分,正确、精准地检测靶向细胞及其数量对疾病诊疗至关重要。传统医学采用手工镜检的估计方式检测病理图像,依赖病理医生的工作经验,存在主观性、检测精度较低的问题。为此,提出改进YOLOv5的噪声标签检测与自动纠正网络检测病理图像中的靶向细胞,通过Conf、IOU函数使网络具有区分真值标签和噪声标签的能力,从而实现噪声标签的自动纠正,以辅助医生对鼻窦炎疾病类型进行临床诊断。结果表明,改进网络在鼻窦炎病理图像数据集上的平均精度、召回率分别提升至88.9%和95.6%,可满足检测病理图像的精度和纠正噪声标签的需求。

关键词：数字病理图像无监督噪声标签深度学习自主纠正

噪声标签下注意力特征混合的旋转机械故障诊断

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2023年第9期44卷 255-262页

作者：陈仁祥张旭徐向阳杨宝军赵玲何家乐重庆交通大学交通工程应用机器人重庆市工程实验室重庆400074 重庆智能机器人研究院重庆400714

实际工程中,受人为标记或数据预处理等原因影响,旋转机械故障数据集易出现噪声标签,导致故障诊断模型性能降低,故提出注意力特征混合的旋转机械故障诊断方法。首先,构建残差神经网络(ResNet)提取样本中的时频特征,通过随机分组和特征交... 详细信息

实际工程中,受人为标记或数据预处理等原因影响,旋转机械故障数据集易出现噪声标签,导致故障诊断模型性能降低,故提出注意力特征混合的旋转机械故障诊断方法。首先,构建残差神经网络(ResNet)提取样本中的时频特征,通过随机分组和特征交互构建正确标签样本组、部分噪声标签样本组和噪声标签样本组;其次,引入注意力机制计算各样本组内样本相关性对各组样本分配权值,得到能区分部分噪声样本组中噪声标签样本的差异性权值;然后,根据权值对每组样本进行混合(Mixup),通过对噪声标签样本插值并在反向传播中更新注意力层参数降低噪声标签样本所占比例;最后,利用在线标签平滑(OLS)统计模型预测信息更新软标签,通过降低噪声标签样本对模型损失更新的影响,进一步抑制噪声标签样本组的负面影响。在不同程度的噪声标签干扰下的旋转机械故障数据集上进行实验验证,检测精度均达到95%以上,证明了所提方法的有效性。

关键词：旋转机械故障诊断噪声标签注意力机制在线标签平滑

在线全文

学校读者我要写书评

暂无评论

考虑噪声标签影响的驾驶员精神负荷状态评价

汽车工程 2022年第5期44卷 771-777页

作者：黄晶彭扬黄烨彭晓燕湖南大学机械与运载工程学院长沙410082

现有驾驶员精神负荷评价研究多以驾驶场景中有无次任务来给定驾驶员的精神负荷分类标签,但驾驶员在正常驾驶情景下也可能由于陷入自我思维而导致精神负荷的增加;此外,由于个体差异,同一驾驶次任务对不同驾驶员精神负荷的影响也不尽相同... 详细信息

现有驾驶员精神负荷评价研究多以驾驶场景中有无次任务来给定驾驶员的精神负荷分类标签,但驾驶员在正常驾驶情景下也可能由于陷入自我思维而导致精神负荷的增加;此外,由于个体差异,同一驾驶次任务对不同驾驶员精神负荷的影响也不尽相同。因此,由传统方法所制作的数据集可能存在噪声标签,从而影响精神负荷评价模型的训练效果。针对此类问题,本文中采用置信学习的方法对驾驶员的精神负荷分类标签进行检测和滤除,使用处理过的标签,以脑电、心电和皮电信号特征作为模型输入,基于支持向量机、随机森林、K近邻、决策树、逻辑回归和多层感知机等多种算法构建驾驶员精神负荷模型,对比分析噪声标签处理对提高各类模型性能的效果。结果表明:使用置信学习进行噪声标签处理后,所构建的多种驾驶员精神负荷模型的性能均得到了明显的改善,其中,支持向量机模型的性能提升的效果最佳。

关键词：交通安全精神负荷置信学习机器学习噪声标签

在线全文

学校读者我要写书评

暂无评论

标签差网络在噪声标签数据集中的应用

计算机工程与应用 2023年第6期59卷 92-100页

作者：江倩殷余志李熙莹中山大学智能工程学院智能交通研究中心广州510006 广东省智能交通系统重点实验室广州510006 视频图像智能分析与应用技术公安部重点实验室广州510006

噪声标签在实际数据集中普遍存在,这将严重影响深度神经网络的学习效果。针对此问题,提出了一种基于标签差学习的噪声标签数据识别与数据再标记方法。该方法设计两种不同的伪标签生成策略,利用基础网络所识别的干净数据生成人工噪声数据... 详细信息

噪声标签在实际数据集中普遍存在,这将严重影响深度神经网络的学习效果。针对此问题,提出了一种基于标签差学习的噪声标签数据识别与数据再标记方法。该方法设计两种不同的伪标签生成策略,利用基础网络所识别的干净数据生成人工噪声数据集,并计算该数据集的标签差向量或标签差矩阵;以强化相似类别间的关联性为目标,利用全连接层与单行卷积核,设计标签差向量网络与标签差矩阵网络等两种噪声学习网络直接学习样本数据的噪声概率;设计与噪声率线性相关的阈值,对干净数据与噪声数据进行判断。通过设计实验,对包括伪标签生成策略、网络结构、训练迭代次数等影响网络识别性能的因素进行分析。在公开数据集上的测试表明,在多种噪声分布情况中,该算法在保持干净数据的准确率与召回率基本稳定的前提下,能显著提高噪声数据的准确率与召回率,提高幅度最大为16.45%及21.01%。

关键词：噪声数据集噪声标签标签差噪声学习深度学习

在线全文

学校读者我要写书评

暂无评论

自纠正噪声标签的人脸美丽预测

中国图象图形学报 2022年第8期27卷 2487-2495页

作者：甘俊英吴必诚翟懿奎何国辉麦超云白振峰五邑大学智能制造学部江门529020

目的人脸美丽预测是研究如何使计算机具有与人类相似的人脸美丽判断或预测能力,然而利用深度神经网络进行人脸美丽预测存在过度拟合噪声标签样本问题,从而影响深度神经网络的泛化性。因此,本文提出一种自纠正噪声标签方法用于人脸美丽... 详细信息

目的人脸美丽预测是研究如何使计算机具有与人类相似的人脸美丽判断或预测能力,然而利用深度神经网络进行人脸美丽预测存在过度拟合噪声标签样本问题,从而影响深度神经网络的泛化性。因此,本文提出一种自纠正噪声标签方法用于人脸美丽预测。方法该方法包括自训练教师模型机制和重标签再训练机制。自训练教师模型机制以自训练的方式获得教师模型,帮助学生模型进行干净样本选择和训练,直至学生模型泛化能力超过教师模型并成为新的教师模型,并不断重复该过程;重标签再训练机制通过比较最大预测概率和标签对应预测概率,从而纠正噪声标签。同时,利用纠正后的数据反复执行自训练教师模型机制。结果在大规模人脸美丽数据库LSFBD(large scale facial beauty database)和SCUT-FBP5500数据库上进行实验。结果表明,本文方法在人工合成噪声标签的条件下可降低噪声标签的负面影响,同时在原始LSFBD数据库和SCUT-FBP5500数据库上分别取得60.8%和75.5%的准确率,高于常规方法。结论在人工合成噪声标签条件下的LSFBD和SCUT-FBP5500数据库以及原始LSFBD和SCUT-FBP5500数据库上的实验表明,所提自纠正噪声标签方法具有选择干净样本学习、充分利用全部数据的特点,可降低噪声标签的负面影响,能在一定程度上降低人脸美丽预测中噪声标签的负面影响,提高预测准确率。

关键词：深度学习噪声标签人脸美丽预测特征分类深度神经网络

在线全文

学校读者我要写书评

暂无评论

噪声标签鲁棒的胸部X射线图像识别方法

噪声标签鲁棒的胸部X射线图像识别方法

作者：陈钦润北京交通大学

学位级别：硕士

胸部X射线图像识别是医学图像分析领域的重要研究课题之一。由于胸部X射线图像的表观相似性、观察者间的可变性、标注算法产生的错误等因素,大规模胸部X射线图像数据集不可避免地引入了噪声标签,导致胸部X射线图像分类更为困难。这种标... 详细信息

胸部X射线图像识别是医学图像分析领域的重要研究课题之一。由于胸部X射线图像的表观相似性、观察者间的可变性、标注算法产生的错误等因素,大规模胸部X射线图像数据集不可避免地引入了噪声标签,导致胸部X射线图像分类更为困难。这种标签噪声具有异方差特征,与输入数据和类别密切相关。而困难样本也常因损失较高与噪声样本产生混淆。在以往的研究中,忽略了标签噪声的特点,且并未充分探索困难样本与噪声样本、干净样本这三者间的预测logit值的差异。基于此,本文从改善噪声样本特征表示和促进不同样本的优化两个角度来提升含有标签噪声的胸部X射线图像识别性能。本文的主要工作如下:(1)提出了面向数据相关噪声的胸部X射线图像识别方法。所提出的模型GMM-HM由一个基于高斯混合模型(Gaussian Mixture Model,GMM)的噪声检测器和一个基于异方差建模(Heteroscedastic Modeling,HM)的噪声感知分类网络组成。基于GMM的噪声检测器用于判断一个样本是干净样本还是噪声样本。基于HM的噪声感知分类网络由两条分支组成,分别使用异方差假设和同方差假设对噪声样本和干净样本进行建模。与经典的噪声标签鲁棒学习方法对所有样本进行统一建模不同,GMM-HM不会影响网络收敛,并且减小了网络优化的负担。GMM-HM在具有不同程度的对称性和非对称性噪声的Chest X-ray2017数据集上显示出优越的性能。此外,在含有天然噪声的Chest X-ray14数据集上的实验结果也验证了所提出模型的有效性,可以鲁棒对抗标签噪声。(2)提出了基于logit差异正则化的胸部X射线图像识别方法。该方法给出了一种新的logit差异正则化(Logit Discrepancy Regularization,LDR),对于输入数据送入网络进行预测得到预测结果,再进行归一化之前的网络输出(每一位称之为logit)进行差异化约束。具体而言,使用ground truth相对应类别的预测logit与其他类别中的最大logit之间的负差值来正则化网络。这种操作增加了网络对于错误预测的惩罚,减小了网络对于正确预测的惩罚,引导网络从困难样本中学习更多有用信息。LDR方法易于实现,不会增加模型的复杂度和训练时间。与经典的卷积神经网络和其他先进噪声标签学习方法相比,LDR方法在含有人工合成噪声的Chest X-ray2017数据集及真实的含有非对称性噪声的Chest X-ray14数据集上也获得了具有竞争力的结果。与其他先进噪声标签学习方法结合后的实验结果也验证了LDR方法具有良好的扩展性。

关键词：胸部X射线图像识别噪声标签异方差建模困难样本挖掘

噪声标签场景下的图像识别关键技术研究与实现

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

噪声标签场景下的图像识别关键技术研究与实现

作者：陈文恺北京邮电大学

学位级别：硕士

随着深度学习的蓬勃发展,基于深度学习的图像识别任务在现实生活中得到了广泛的应用。深度学习的成功往往依靠高质量大规模的数据集,然而在现实世界中,收集高质量大规模的数据集往往成本十分昂贵,噪声标签不可避免地在数据集的收集过程... 详细信息

随着深度学习的蓬勃发展,基于深度学习的图像识别任务在现实生活中得到了广泛的应用。深度学习的成功往往依靠高质量大规模的数据集,然而在现实世界中,收集高质量大规模的数据集往往成本十分昂贵,噪声标签不可避免地在数据集的收集过程中会出现。如何在含噪声标签的数据集下完成图像识别任务成为了近年来的一个热点研究问题。在常规的研究方法中,较为成功的做法是使用小损失策略将噪声样本从干净样本中分离出来,而后将噪声样本当作是无标签的数据使用半监督学习的方法来完成模型训练。然而,由于困难样本在损失值分布上与噪声样本类似,基于小损失的样本划分策略往往会误伤到含有丰富信息的困难样本。在半监督学习算法生成伪标签时,由于噪声样本的存在,伪标签质量往往并不可靠,这也进一步影响了模型的性能。另外,常规的噪声标签处理算法往往不能处理长尾场景下的数据集,因为其处理方法与往往会抑制长尾数据集中的少数类。针对上述挑战,本文的研究内容与主要贡献如下:(1)提出了一种融入困难样本识别的样本划分算法。此算法通过利用样本的训练历史,设计了个基于训练历史的样本划分算法。解决了传统样本划分算法中对困难样本损害大的问题。(2)提出了一种基于样本先验的噪声标签处理算法 PGDF(Prior Guided Denoising Framework)。PGDF 通过通过估计伪标签与真实标签的分布转移矩阵来优化伪标签生成算法。解决了噪声场景下伪标签质量低的问题。并对含有丰富信息的困难样本进行增强,进一步提升了最终模型的分类性能。(3)提出了一种针对长尾场景的噪声标签处理算法PGDF-LT(PGDF-Long Tail)。该算法处理了噪声标签处理算法在长尾场景失效的问题,针对长尾场景,在PGDF的基础上融入了无监督预训练算法,并在样本划分模块与最后的样本加权引入了类别信息进一步增强模型最终的分类性能。本文对所提出的三个算法,在多个数据集多种噪声形式多个噪声比例下分别进行了实验,实验结果表明了所提出方法的有效性。

关键词：噪声标签图像识别困难样本半监督学习长尾场景

双输入双任务注意力网络融入噪声标签纠正机制的人脸美丽预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

信号处理 2022年第10期38卷 2124-2133页

作者：甘俊英吴必诚邹琪郑泽鑫麦超云翟懿奎何国辉五邑大学智能制造学部广东江门529020

人脸美丽预测是研究让计算机具有与人相似的人脸美丽预测能力的前沿课题,目前存在监督信息不足、模型易受噪声标签影响等问题。多任务注意力网络(Multi-Task Attention Network,MTAN)利用单个数据库的多种标签类型数据进行监督训练,但... 详细信息

人脸美丽预测是研究让计算机具有与人相似的人脸美丽预测能力的前沿课题,目前存在监督信息不足、模型易受噪声标签影响等问题。多任务注意力网络(Multi-Task Attention Network,MTAN)利用单个数据库的多种标签类型数据进行监督训练,但忽略了多个仅有一种标签类型的数据库进行多任务训练时效果不佳的问题;同时,未考虑噪声标签对MTAN的影响。噪声标签纠正机制通过比较最大预测概率和标签对应预测概率,来纠正噪声标签。为此,本文结合MTAN,提出双输入双任务注意力网络(Dual-Input Dual-Task Attention Network,DIDTAN),并融入噪声标签纠正机制。其中,DIDTAN能同时利用两个单标签类型人脸美丽数据库的监督信息,从而解决监督信息不足;而该网络融入噪声标签纠正机制,解决了噪声标签的影响,进而提高了人脸美丽预测准确率。DIDTAN将MTAN中任务共享的批量归一化层(Batch Normalization,BN)扩展为不同任务特定的BN层;引入神经辨别性降维(Neural Discriminative Dimensionality Reduction,NDDR)模块约束浅层特征的表达;同时,使用深度相关对齐(Deep CORrelation Alignment,Deep CORAL)损失函数约束全连接层特征表达;通过噪声标签纠正机制来纠正噪声标签。在大规模人脸美丽数据库(Large Scale Facial Beauty Database,LSFBD)、SCUFBP-5500数据库、CelebA数据库上实验,基于LSFBD、SCUFBP-5500数据库的双输入双任务人脸美丽预测取得65.4%的预测准确率,高于常规方法最高准确率。所提方法能实现双输入双任务训练并解决噪声标签影响,提高了人脸美丽预测准确率,可广泛应用于其他存在噪声标签的双输入双任务场景。

关键词：人脸美丽预测多任务学习噪声标签深度学习图像分类

基于分组洗牌网络的含噪声标签高光谱图像分类

在线全文

学校读者我要写书评

暂无评论

中国电子科学研究院学报 2022年第12期17卷 1180-1189页

作者：王雷全朱同川秦智超刘金云张悦中国石油大学(华东) 山东青岛266580 中国电子科学研究院北京100041 中油国际管道公司哈国南线南线天然管道有限公司北京100028

在有监督高光谱图像分类问题中,深度学习方法已成为主流,但是这类方法依赖于大量且准确的标签信息。而且,在高光谱图像分类的实际应用中,由于现场调查困难以及人工标注出现错误等,易出现噪声标签,导致模型性能下降。针对上述问题,文中... 详细信息

在有监督高光谱图像分类问题中,深度学习方法已成为主流,但是这类方法依赖于大量且准确的标签信息。而且,在高光谱图像分类的实际应用中,由于现场调查困难以及人工标注出现错误等,易出现噪声标签,导致模型性能下降。针对上述问题,文中提出了一种端到端的高光谱图像分类方法,基于分组洗牌缓解噪声标签的影响,并引入跳连接操作与鲁棒的损失函数,实现含噪声标签的高光谱图像分类。首先,通过捕捉高光谱图像初步的光谱信息,利用错误标签样本中的有用信息,跳连接操作实现高光谱图像特征重利用,对特征进行分组和洗牌,可以减缓高光谱图像特征之间的紧耦合性,增强模型的噪声鲁棒性;然后,利用鲁棒性损失函数训练模型。在带有人工生成的噪声标签的Salinas Valley、UP和KSC三个公开高光谱图像数据集上进行实验,证明了本网络优秀的噪声鲁棒性,提高了总体分类精度、平均分类精度和Kappa系数这三个指标。

关键词：高光谱图像图像分类噪声鲁棒深度学习噪声标签