知识点 › 模型训练

标签噪声与鲁棒训练

Label Noise

模型训练Lv.3

定义

标注必然有错（漏标、错标、边界不一致）。鲁棒手段：损失函数（GCE/symmetric CE）、噪声样本识别（loss 异常）、标签平滑、多标注者投票、训练时降权。

关键要点

  • 先量化噪声率：抽检 1000 帧算准确率/漏标率，再决定要不要上鲁棒训练
  • 系统性噪声（规范错误）比随机噪声更致命，会教出错误先验
  • 自动标注的噪声是「相关噪声」，比随机噪声更难学

面试怎么答

讲「先量化再处理」，并区分随机噪声与系统性噪声。

相关知识

  • 标注质量体系 — 四道关：①培训与考核（上岗门槛）；②抽检（按比例复核，算准确率/漏标率）；③黄金集（固定标准答案，定期测标注员漂移）；…
  • 数据闭环 — 把「真实世界产生的数据」持续转化为「车端模型能力」的工程体系：车端采集 → 回传 → 存储治理 → 场景挖掘与标注 →…
在星图上打开这颗星 →