Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات
Submitted 16 September, 2024; v1 submitted 19 August, 2024; originally announced August 2024. , Comments: Accepted to ACMMM2024. Codes are available at https://github.com/MrChenFeng/CLIPCleaner_ACMMM2024
توضیحات به فارسی
ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده به ACMMM2024.کدها در https://github.com/mrchenfeng/clipcleaner_acmmm2024 در دسترس هستند
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Learning with Noisy labels (LNL) poses a significant challenge for the Machine Learning community. Some of the most widely used approaches that select as clean samples for which the model itself (the in-training model) has high confidence, e.g., `small loss', can suffer from the so called `self-confirmation' bias. This bias arises because the in-training model, is at least partially trained on the noisy labels. Furthermore, in the classification case, an additional challenge arises because some of the label noise is between classes that are visually very similar (`hard noise'). This paper addresses these challenges by proposing a method (\textit{CLIPCleaner}) that leverages CLIP, a powerful Vision-Language (VL) model for constructing a zero-shot classifier for efficient, offline, clean sample selection. This has the advantage that the sample selection is decoupled from the in-training model and that the sample selection is aware of the semantic and visual similarities between the classes due to the way that CLIP is trained. We provide theoretical justifications and empirical evidence to demonstrate the advantages of CLIP for LNL compared to conventional pre-trained models. Compared to current methods that combine iterative sample selection with various techniques, \textit{CLIPCleaner} offers a simple, single-step approach that achieves competitive or superior performance on benchmark datasets. To the best of our knowledge, this is the first time a VL model has been used for sample selection to address the problem of Learning with Noisy Labels (LNL), highlighting their potential in the domain.
چکیده به فارسی (ترجمه ماشینی)
یادگیری با برچسب های پر سر و صدا (LNL) چالش مهمی را برای جامعه یادگیری ماشین ایجاد می کند.برخی از رویکردهای بسیار پرکاربرد که به عنوان نمونه های تمیز انتخاب می شوند که خود مدل (مدل در آموزش) اعتماد به نفس بالایی دارد ، به عنوان مثال ، "ضرر کوچک" ، می تواند از تعصب به اصطلاح "اعتماد به نفس" رنج ببرد.این تعصب به این دلیل بوجود می آید که حداقل تا حدی روی برچسب های پر سر و صدا آموزش دیده است.علاوه بر این ، در مورد طبقه بندی ، یک چالش اضافی به وجود می آید زیرا برخی از سر و صدای برچسب بین کلاس هایی است که از نظر بصری بسیار مشابه هستند ("سر و صدای سخت").در این مقاله با ارائه یک روش (\ textit {clipcleaner}) که از کلیپ استفاده می کند ، یک مدل قدرتمند بینایی (VL) برای ساخت یک طبقه بندی کننده صفر برای انتخاب کارآمد ، آفلاین ، تمیز است ، به این چالش ها می پردازد.این مزیت دارد که انتخاب نمونه از مدل آموزش جدا شده و انتخاب نمونه از شباهت های معنایی و بصری بین کلاس ها به دلیل نحوه آموزش کلیپ آگاه است.ما توجیهات نظری و شواهد تجربی را برای نشان دادن مزایای کلیپ برای LNL در مقایسه با مدل های قبل از آموزش معمولی ارائه می دهیم.در مقایسه با روشهای فعلی که انتخاب نمونه تکراری را با تکنیک های مختلف ترکیب می کند ، \ textit {ClipCleaner} یک رویکرد ساده و تک مرحله ای را ارائه می دهد که به عملکرد رقابتی یا برتر در مجموعه داده های معیار می رسد.به بهترین دانش ما ، این اولین باری است که از یک مدل VL برای انتخاب نمونه استفاده می شود تا مسئله یادگیری با برچسب های پر سر و صدا (LNL) را برطرف کند و پتانسیل آنها را در دامنه برجسته کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
