【CVPR2023】带有噪声标签的孪生对比学习

从噪声数据中学习是一项具有挑战性的任务，会显著降低模型的性能。**本文提出TCL，一种新的孪生对比学习模型，用于学习鲁棒表示并处理用于分类的噪声标签。**通过将监督模型预测注入到高斯混合模型中，在表示上构建高斯混合模型(GMM)，将GMM中的无标签潜变量与标签噪声注释联系起来。然后，TCL在考虑数据分布的情况下，利用另一个双分量GMM将标签错误的样本检测为分布外样本;本文进一步提出一种具有熵正则化损失的交叉监督，从模型预测中引导出真实目标，以处理噪声标签。因此，TCL可以通过混合学习和对比学习来学习与估计标签相一致的判别性表示。在多个标准测试集和真实数据集上的大量实验结果表明，TCL具有优越的性能。特别是，TCL在CIFAR-10上实现了7.5%的改进，其中90%的标签是噪声非常大的场景。源代码可以在https://github.com/Hzzone/TCL上找到。