2021新文：ReLabel如何将ImageNet高效转化为多标签数据集，提升监督学习精度？

本文共计1394个文字，预计阅读时间需要6分钟。

人工标注数据集中普遍存在噪声，ReLabel能自动且低成本地将原始单标签数据集转化为多标签数据集，并提出配合random crop使用的有效LabelPooling方法，可更精确地指导分类网络。

人工标注数据集中普遍存在噪声，ReLabel能够自动且低成本地将原本的单标签数据集转化为多标签数据集，并且提出配合random crop使用的高效LabelPooling方法，能够更准确地指导分类网络的训练
 
来源：晓飞的算法工程笔记 公众号

论文: Re-labeling ImageNet:from Single to Multi-Labels, from Global to Localized Labels

• 论文地址：arxiv.org/abs/2101.05022
• 论文代码：github.com/naver-ai/relabel_imagenet

Introduction

---

  ImageNet数据集是图像识别领域很重要的数据集，数据集本身假设图片中只有一个目标，但是目前发现其中包含了很多噪声数据，很多图片实际上可能存在多个类别目标，这种情况就会误导网络的学习。此外，论文发现常用的Random crop数据增强方法会加剧这一现象，对验证集的每张图片进行100次Random crop，统计裁剪图片与原目标之间的IoU，结果如上面的图所示，IoU低于0.5的占比为76.5%，IoU为0的占比甚至高达8%，这显然会给训练带来极大的干扰。