近日，实验室2020级硕士生魏琦一篇论文“Fine-Grained Classification with Noisy Labels”（作者：魏琦，冯磊，孙皓亮，王任，国晨晖，尹义龙）被CVPR2023会议录用。CVPR是国际计算机视觉顶尖和权威学术会议之一，属于CCF A类会议。

    噪声标签学习（learning with noisy labels, LNL） 旨在含有噪声标签的训练集上保证模型的泛化性能。本工作首次在细粒度数据集上研究了LNL任务，并且提出细粒度标签噪声学习（LNL-FG）这一种更加实际且具有挑战性的设置。本文实验性证明了，现有适用于LNL的方法无法在LNL-FG上取得令人满意的性能。为此，本文提出了一种新的训练框架，称为随机噪声容忍的监督对比学习（SNSCL），通过鼓励生产判别性强的特征表示来应对标签噪声。具体来说，本文设计了一种噪声容忍的监督对比学习损失，其中包含了一种加权机制，用于噪声标签的修正，并有选择地更新动量队列列表。该机制缓解了噪声锚点的负面影响，并避免将噪声标签插入到动量更新的队列中。此外，为了避免对比学习中手动定义的增强策略，本文提出了一种高效的随机模块，该模块从生成的分布中对特征嵌入进行采样，增强深度模型的表示能力。SNSCL通用且能与现有的LNL方法兼容，以提高它们在LNL-FG上的性能。广泛的实验验证了SNSCL的有效性。