...
在血细胞数据库中，本研究通过将每个类别的标签按照噪声比例翻转到相近的类别，产生了非均匀噪声标签，并进行了实例无关性和实例相关性的噪声标签实验。表1示例列出了基于均匀噪声在不同噪声比例下的实验结果。可以观察到，本研究提出的方法在所有情况下均获得了最佳的分类结果，尤其是在高噪声比例时更为明显。即便在噪声比例高达40%的情况下，本方法的表现也远超默认方法，并且比次优的JoCoR方法高出4.94%。在低噪声比例（10%）下，本研究提出的方法仍展现出竞争力，获得了次优的分类性能。与眼科OCT数据库上的二分类任务相比，当处理该数据库上的多类分类任务时，抗噪声训练方法的性能虽随噪声比例增加而逐渐降低，但衰减趋势较为缓慢，这在均匀噪声环境下尤为明显。本研究推测，当不同噪声比例的噪声标签被分布到多个类别时，影响到准确类别的主导地位的可能性几乎不存在。94%。在低噪声比例（10%）下，本研究提出的方法仍展现出竞争力，获得了次优的分类性能。与眼科OCT数据库上的二分类任务相比，当处理该数据库上的多类分类任务时，抗噪声训练方法的性能虽随噪声比例增加而逐渐降低，但衰减趋势较为缓慢，这在均匀噪声环境下尤为明显。本研究推测，当不同噪声比例的噪声标签被分布到多个类别时，影响到准确类别的主导地位的可能性几乎不存在
...
图3. 基于结肠病理学数据库，在30%的非均匀标签噪声下，Default方法（a）、Co-Correcting方法（b）及本研究方法（c），在测试集合上得出的混淆矩阵的对比。
...
此外，作者分别基于眼科OCT数据库、血细胞数据库和结肠病理学数据库，比较了三种代表性方法的分类特征的t-SNE可视化，包括默认方法、Co-teaching方法和本研究提出的方法，对比结果如图4所示。具体来说，在测试过程中，从训练好的模型的最后一个卷积层中提取测试图像的特征向量，并通过t-SNE进行可视化。结果表明，本研究提出方法的特征空间比另外两种对比方法实现了更好的聚类效果，特别是在血细胞数据库上。总的来说，本研究提出方法有助于优化具有高内聚和低耦合的特征空间，从而降低标签噪声的影响，提高分类性能。
图4. 基于30%的均匀噪声模型，对比三种典型噪声标签学习方法分类特征的t-SNE可视化。
...