本文探讨了ImageNet训练标签的噪声问题，提出使用多标签重新标记ImageNet训练集，以解决单标签注释与多目标图像之间的不匹配。通过强大分类器的像素级多标签预测，改善模型性能。实验结果显示，ResNet-50的分类精度提升至80.2%，并在目标检测和实例分割任务中表现优越。
欢迎关注“
计算机视觉研究院
”
计算机视觉研究院专栏
作者：Edison_G
ImageNet可以说是最受欢迎的图像分类基准，但它也是一个具有显著噪声的标签。最近的研究表明，许多样本包含多个类，尽管被假定为单个标签基准。因此，他们建议将ImageNet评估变成一个多标签任务，每个图像都有详尽的多标签注释。然而，他们还没有固定训练集，大概是因为强大的注释成本。
长按扫描二维码关注我们
订阅专栏 解锁全文
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
