真实世界的大规模图像数据集在未经人工标注或清洗前，通常包含大量噪声标签，易损害深度神经网络的泛化性能和判别性能。为此，信息工程学院教师张迁及合作者近期提出一类两阶段噪声标签筛选及学习框架PSSCL。该策略首先将噪声标签筛选和鲁棒性训练等两个优化目标拆分为两个阶段分而治之，从而降低训练难度。其次，在每个阶段，基于现有方法引入鲁棒性损失函数预训练深度神经网络并将对比学习技术与半监督学习框架有效结合，实现对模型鲁棒性的增强。最后，PSSCL被应用于多个基准噪声数据集以验证其有效性。
(a) 在类别依赖噪声数据集上精度
(b) 在RoG实例依赖噪声数据集上精度
(c) 在PMD实例依赖噪声数据集上精度
(d) 在真实噪声数据集上精度
该研究依托信息工程学院智能信息处理与控制科研团队开展，该团队由11位青年教师组成，主要围绕人工智能及智能控制算法开展研究。相关研究进展以《PSSCL: A progressive sample selection framework with contrastive loss designed for noisy labels》为题发表在《Pattern Recognition》(模式识别)，相关代码已开源。
近年来，信息工程学院始终将科研工作视为推动学院发展的核心要素，并通过促进学科间的交叉融合来实现科研的特色化发展。学院积极吸引各领域的学术骨干和博士人才，已获得了一系列高水平的科研成果，这些成果显著提升了学院在科研方面的特色与优势。
论文链接：https://doi.org/10.1016/j.patcog.2024.111284
（图/文：张迁，审核：黄黎）
