Fechar
Metadados

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitesibgrapi.sid.inpe.br
Código do Detentoribi 8JMKD3MGPEW34M/46T9EHH
Identificador8JMKD3MGPEW34M/43BHB8L
Repositóriosid.inpe.br/sibgrapi/2020/09.30.23.54
Última Atualização2020:09.30.23.54.49 (UTC) administrator
Repositório de Metadadossid.inpe.br/sibgrapi/2020/09.30.23.54.49
Última Atualização dos Metadados2022:06.10.19.41.23 (UTC) administrator
DOI10.1109/SIBGRAPI51738.2020.00010
Chave de CitaçãoCordeiroCarn:2020:HoTrYo
TítuloA Survey on Deep Learning with Noisy Labels: How to train your model when you cannot trust on the annotations?
FormatoOn-line
Ano2020
Data de Acesso17 maio 2024
Número de Arquivos1
Tamanho494 KiB
2. Contextualização
Autor1 Cordeiro, Filipe Rolim
2 Carneiro, Gustavo
Afiliação1 Universidade Federal Rural de Pernambuco
2 University of Adelaide
EditorMusse, Soraia Raupp
Cesar Junior, Roberto Marcondes
Pelechano, Nuria
Wang, Zhangyang (Atlas)
Endereço de e-Mailfilipe.rolim@ufrpe.br
Nome do EventoConference on Graphics, Patterns and Images, 33 (SIBGRAPI)
Localização do EventoPorto de Galinhas (virtual)
Data7-10 Nov. 2020
Editora (Publisher)IEEE Computer Society
Cidade da EditoraLos Alamitos
Título do LivroProceedings
Tipo TerciárioTutorial
Histórico (UTC)2020-09-30 23:54:49 :: filipe.rolim@ufrpe.br -> administrator ::
2022-06-10 19:41:23 :: administrator -> filipe.rolim@ufrpe.br :: 2020
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo de Versãofinaldraft
Palavras-Chavenoisy labels
deep learning
ResumoNoisy Labels are commonly present in data sets automatically collected from the internet, mislabeled by non- specialist annotators, or even specialists in a challenging task, such as in the medical field. Although deep learning models have shown significant improvements in different domains, an open issue is their ability to memorize noisy labels during training, reducing their generalization potential. As deep learning models depend on correctly labeled data sets and label correctness is difficult to guarantee, it is crucial to consider the presence of noisy labels for deep learning training. Several approaches have been proposed in the literature to improve the training of deep learning models in the presence of noisy labels. This paper presents a survey on the main techniques in literature, in which we classify the algorithm in the following groups: robust losses, sample weighting, sample selection, meta-learning, and combined approaches. We also present the commonly used experimental setup, data sets, and results of the state-of-the-art models.
Arranjourlib.net > SDLA > Fonds > SIBGRAPI 2020 > A Survey on...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 30/09/2020 20:54 1.2 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGPEW34M/43BHB8L
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGPEW34M/43BHB8L
Idiomaen
Arquivo AlvoTutorial_ID_4_SIBGRAPI_2020_camara_ready_v2 copy.pdf
Grupo de Usuáriosfilipe.rolim@ufrpe.br
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhosid.inpe.br/banon/2001/03.30.15.38.24
Unidades Imediatamente Superiores8JMKD3MGPEW34M/43G4L9S
Lista de Itens Citandosid.inpe.br/sibgrapi/2020/10.28.20.46 7
Acervo Hospedeirosid.inpe.br/banon/2001/03.30.15.38
6. Notas
Campos Vaziosarchivingpolicy archivist area callnumber contenttype copyholder copyright creatorhistory descriptionlevel dissemination edition electronicmailaddress group isbn issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark secondarytype serieseditor session shorttitle sponsor subject tertiarymark type url volume
7. Controle da descrição
e-Mail (login)filipe.rolim@ufrpe.br
atualizar 


Fechar