折了往衷.-CSDN博客

原创含噪学习——ALASCA

深度神经网络（DNNs）具有强大的表达能力，但在面对时容易过拟合，从而影响泛化性能。ALASCA 方法旨在解决上述问题，提出一种**结合自适应标签平滑（ALS）与辅助分类器（AC）**的高效正则化框架，以低计算成本实现鲁棒性。这两部分的结合使得 ALASCA 能够高效地提升特征提取器的鲁棒性，并改善现有抗噪方法的性能。ALS 的目标是根据样本的不确定性调整正则化强度。αx平滑参数αx依赖于样本的置信度1−Pry∣x，即置信度越低（可能是噪声样本），正则化越强。ℓALSf。

2024-12-11 11:06:11 1054

原创含噪学习--《Generalized Cross Entropy Loss for Training Deep Neural Networks with Noisy Labels》

文章链接：https://proceedings.neurips.cc/paper_files/paper/2018/file/f2925f97bc13ad2852a7a551802feea0-Paper.pdf这篇文章提出了广义交叉熵损失函数（Generalized Cross Entropy Loss，Lq），用于在标签噪声的情况下实现对深度神经网络的鲁棒训练。定义：Lq(f(x),ej)=1−fj(x)qq,q∈(0,1]L_q(f(x), e_j) = \frac{1 - f_j(x)^q}{q

2024-11-25 14:33:36 802

原创含噪学习--《SELFIE: Refurbishing Unclean Samples for Robust Deep Learning》

文章链接：http://proceedings.mlr.press/v97/song19b/song19b.pdf为了解决噪声标签对网络的影响，增强网络的鲁棒性。现有研究主要分为两派，一种是“loss correction”，即损失修正，利用估计的噪声转移矩阵去修正损失函数，另一种是“sample selection”，即样本选择，只保留干净样本，舍弃噪声样本。对于loss correction：噪声转移矩阵的估计困难，造成网络会积累错误修正导致的误差，尤其是在类比数或错误标记样本数较大的情况。对于samp

2024-11-21 11:11:31 1119

原创含噪学习--《Learning from Noisy Labels with Deep Neural Networks: A Survey》——2

接上篇。

2024-11-20 13:40:48 789

原创含噪学习 --《Learning from Noisy Labels with Deep Neural Networks: A Survey》

在许多研究中，人们已经对架构进行了更改，以对噪声数据集的噪声转移矩阵进行建模 [16]、[75]–[82]。通过基于估计的标签转移概率修改 DNN 输出，最终架构实现了更好的泛化。专用架构旨在提高对复杂标签噪声的处理能力，特别是比简单标签转移更复杂的噪声类型。假定在给定真实标签的情况下，噪声的产生与数据特征无关：通过噪声转移矩阵T建模，定义。深度学习网络受到噪声标签的影响，拟合时包括噪声标签的特征，导致网络泛化性差。为了解决噪声数据对网络的影响，提出了不同的方法。用于描述真实标签和噪声标签之间的关系。

2024-11-19 17:02:45 933

原创 scrcpy介绍以及安装

scrcpy通过USB或TCP/IP连接的Android设备（视频和音频），并允许使用计算机的键盘和鼠标控制设备。它不需要任何根访问权限。适用于Linux、Windows和macOS。

2023-09-08 13:55:03 1431 1

原创百度地图flutter 地图demo使用（超详细教程）

在经历过无数次报错后，痛定思动，决定照着官方demo一点一点扣，终于跑通了demo。jdk 1.8。

2023-09-06 17:17:22 2499 2

D2461798571的博客