27、标签噪声对目标检测的影响及人在回路学习方法综述

标签噪声对目标检测的影响及人在回路学习方法综述

标签噪声对损失函数性能的影响

在目标检测中，标签噪声是影响机器学习算法安全性和性能的关键因素。研究人员针对不同数据集（Indoor、PASCAL VOC、FDDB），对比了交叉熵损失（CE loss）和焦点损失（FL loss）在不同标签噪声水平下的检测性能。

数据集	损失函数	无噪声到50%噪声mAP下降
Indoor	FL loss	20.12%
Indoor	CE loss	12.10%
FDDB	FL loss	18.28%
FDDB	CE loss	8.03%

从这些数据可以看出，在大多数情况下，随着标签噪声的增加，FL loss的平均精度均值（mAP）下降率高于CE loss，这表明CE loss对增加的噪声水平更具鲁棒性。不过，在PASCAL VOC数据集中，尽管FL loss在极端情况下表现较差，但在所有测试点上的整体性能仍高于CE loss。研究推测，Indoor和