- …
- …
#403
summarized by : Yui Iioka (Keio University)
どんな論文か？
昨今，大規模なデータセットを用いた画像分類モデルがその有用性を多く示している. 一方で，莫大なデータセットにはnoisyなデータが含まれることが多く，性能を悪化させる原因となっていることが問題であった. 本論文では，noisyなデータによって性能を向上させる画像分類モデルLaCoLを提案する.
新規性
本モデルはmetric space, label space及びcross-spaceで構成される. metric spaceでは対照学習によって，対象画像とnegativeな関係性を持つペア画像との特徴量を遠ざけていく. label spaceでは疑似ラベルを付与することで，信頼度の高いデータを扱う. cross-spaceでは頑健性を保つために，２つのspaceから得られる特徴量を近づける.
結果
noisyなデータの潜在的な特徴量を利用し，画像分類タスクの性能を向上させた. 具体的には，CIFAR-10及びCIFAR-100を用いた実験について，noisyなデータをある確率で生じさせて分類をしたところ，各確率において最良の定量結果を示した.
その他（なぜ通ったか？等）
https://openaccess.thecvf.com/content/CVPR2022/html/Yan_Noise_Is_Also_Useful_Negative_Correlation-Steered_Latent_Contrastive_Learning_CVPR_2022_paper.html
- …
- …