There have been considerable advanc

There have been considerable advances in multimedia recognition recently as powerful computing capabilities and large, representative datasets become ubiquitous. A fundamental assumption of traditional recognition techniques is that the data available for training are accurately labelled. Given the scale and diversity of web data, it takes considerable annotation effort to reduce label noise to acceptable levels. In this work, we propose a novel method to work around this issue by utilizing approximate apriori estimates of the mislabelling probabilities to design a noise-aware learning framework. We demonstrate the proposed framework's effectiveness on several datasets of various modalities and show that it is able to achieve high levels of accuracy even when faced with significant mislabelling in the data

ผลลัพธ์ (ไทย) 1:

มีมีการก้าวหน้ามากซึ่งมีการเพิ่งพลังมัลติมีเดียคอมพิวเตอร์ความสามารถ และชุดข้อมูลขนาดใหญ่ ตัวแทนมีอยู่ทุกหนแห่ง สมมติฐานพื้นฐานของเทคนิคการรู้จำแบบดั้งเดิมจะมีได้อย่างถูกต้องได้ข้อข้อมูลพร้อมใช้งานสำหรับการฝึกอบรม กำหนดขนาดและความหลากหลายของเว็บข้อมูล ใช้อธิบายมากพยายามลดป้ายชื่อเสียงการยอมรับในระดับ ในงานนี้ เรานำเสนอวิธีการใหม่เพื่อแก้ไขปัญหานี้ โดยใช้ประเมิน apriori โดยประมาณน่าจะ mislabelling การออกแบบกรอบเรียนรบกวนทราบ เราแสดงให้เห็นถึงประสิทธิภาพของกรอบการนำเสนอในชุดข้อมูลหลายชุดของรังสีต่าง ๆ และแสดงว่า สามารถบรรลุระดับสูงของความถูกต้องแม้ว่าจะต้องเผชิญกับ mislabelling สำคัญในข้อมูล

ผลลัพธ์ (ไทย) 2:

มีความก้าวหน้าอย่างมากในการรับรู้มัลติมีเดียเมื่อเร็ว ๆ นี้ความสามารถด้านคอมพิวเตอร์ที่มีประสิทธิภาพและมีขนาดใหญ่ชุดข้อมูลตัวแทนกลายเป็นที่แพร่หลาย สมมติฐานพื้นฐานของเทคนิคการรับรู้แบบดั้งเดิมคือว่าข้อมูลที่มีอยู่สำหรับการฝึกอบรมมีความโดดเด่นได้อย่างถูกต้อง ที่กำหนดขนาดและความหลากหลายของข้อมูลเว็บก็จะพยายามบันทึกย่อมากเพื่อลดเสียงรบกวนฉลากระดับที่ยอมรับได้ ในงานนี้เรานำเสนอวิธีการใหม่ในการแก้ไขปัญหานี้โดยใช้ประมาณการ aPriori โดยประมาณของความน่าจะเป็น mislabelling ในการออกแบบกรอบการเรียนรู้ตระหนักถึงเสียงรบกวน เราแสดงให้เห็นถึงประสิทธิภาพที่นำเสนอกรอบการทำงานในชุดข้อมูลหลายรังสีต่างๆและแสดงให้เห็นว่ามันสามารถที่จะประสบความสำเร็จในระดับสูงของความถูกต้องแม้ในขณะที่ต้องเผชิญกับ mislabelling อย่างมีนัยสำคัญในข้อมูล