APPN: An Attention-based Pseudo-label Propagation Network for few-shot learning with noisy labels

作为一种解决数据稀缺问题的有效方法，Few-shot学习在深度学习中引起了极大的关注。通常情况下，少量学习中的训练数据集是干净的。但由于传感器故障、数据传输异常、手工标注不准确等原因，无法保证样本标注的准确性。因此，如何处理带有噪声标签的小样本学习成为一个迫切需要解决的问题。为了解决上述问题，我们提出了一种基于注意力的伪标签传播网络(APPN)。我们提出了一种基于注意力的特征提取方法，该方法可以有效地捕捉干净样本和有噪声样本之间的区别。(2)提出了一种改进的基于图的伪标签传播方法，该方法利用具有潜在类别信息的伪标签作为初始标签，从而提高了标签传播的准确性。(3)描述了一种综合的多步噪声检测方法，该方法可以准确地从干净样本中检测出噪声样本，并有效区分域外(OOD)噪声和域内(ID)噪声。(4)最后通过实体实验验证了该算法在FC100、CIFAR-FS、miniImageNet和tieredImageNet数据集上的性能。结果表明，该方法在带噪声标签的少镜头学习中具有较高的鲁棒性和优越性