Product Image Recognition with Guidance Learning and Noisy Supervision

• Product-90  dataset 생성.
  
  • 사용자의 리뷰를 기반으로 labels 생성. label 생성 cost를 줄일 수 있음
  • 90개 클래스에 대해 140K 이상의 이미지 수집.
• noisy가 포함된 label에 대해 guidance learning (GL)을 도입.
• Products-90 뿐 아니라 Food101, Food101N, Clothing1M 에서도 실험.

Guidance Learning

• 아래 두 단계로 구성
  • 1) teacher network training 2) student network training.
  • teacher network training
    
    • noisy가 포함된 전체 dataset에 대해 학습. cross entropy 학습
  • student Network
    • dataset을 noisy subset과 clean subset으로 구분 후 학습.
    • clean subset은 일반적인 cross entropy 학습
    • noisy subset 학습은 noisy label에 영향을 감소시키기 위해 teacher network의 prediciton 값을 아래 식(2)과 같이  temperature 를 도입해서 soft label 생성.
    • 최종 soft targe은 기존 noisy label에 아래 식(3)과 같이 식(2)에서 생성한 soft label을 적용 후 생성.

.

• soft target 생성 후 KL-divergence Loss을 이용해 학습.

• total loss는 KL-divergence loss(noisy subset)과 cross entropy loss(clean subset)을 더해준다.

Experiments on Food-101 and Food-101N

• Food-101 dataset은 101 클래스를 갖는 dataset으로 총 101,000장으로 구성. 
  
  • 각 클래스 마다 750장은 학습, 250장은 평가에 사용.
•  Food-101N noisy dataset
  
  • Google, Bing, Yelp, and TripAdvisor 등에서 크롤링.
  • 310,000장 수집.
• 학습
  • teacher model은 Food-101(clean) 과 Food-101N(noisy)에 대해 학습했고, 85.8%를 얻음. cleanNet보다 성능이 좋음. 이는 noisy dataset이지만 학습에 활용하면 성능이 더 개선됨을 보여준다.
  • 제안하는 guidance learning을 활용하면 85.8%에서 87.36%로 개선.
  •