计算机应用

作者：齐巧玲, 王啸啸, 张茜茜, 汪鹏, 董永峰

单位：1.河北工业大学 电气工程学院，天津 300130；2.河北工业大学 人工智能与数据科学学院，天津 300401；3.河北工业大学 能源与环境工程学院，天津 300401；4.天津市虚拟现实与可视计算国际联合中心，天津 300401；5.河北省数据驱动工业智能工程研究中心（河北工业大学），天津 300401

关键词：深度学习,深度神经网络,图像分类,标签噪声,元学习

基金：中国高等教育学会高等教育科学研究规划课题(22XX0401);河北省首批省级研究生教育教学改革研究项目(YJG2023024)

图像分类需要收集大量的图片进行模型训练与优化，但收集过程会不可避免地带来噪声标签。为了应对这一挑战，鲁棒性分类方法应运而生。在目前的鲁棒性分类方法中，超参数的设置需要手动调节，对人力物力带来了大量的损耗。因此，提出元超参数调节器（MHA），采用双层嵌套循环优化的方法自适应地学习噪声感知的超参数组合，并提出Meta-FPL （Feature Pseudo-Label adaptive learning based on Meta learning）算法。此外，为了解决元训练阶段的反向传播过程耗费大量GPU算力的问题，提出选择激活元模型层（SAML）策略。该策略通过比较虚拟训练阶段反向传播的平均梯度与元梯度的大小，限制部分元模型层的更新，从而有效提升模型的训练效率。在4个基准数据集和1个真实数据集上的实验结果表明，与MLC（Meta Label Correction for noisy label learning）、CTRR（ConTrastive RegulaRization）和FPL（Feature Pseudo-Label）算法相比，Meta-FPL算法的分类准确率较高。此外，引入SAML策略后，在元训练阶段的反向传播过程训练时长缩短了79.52%。可见，Meta-FPL算法能在较短的训练时间内有效提升分类测试准确率。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期