人物方向分类数据集：不确定标签图像的处理方案咨询

不用直接剔除这些难以确定标签的样本，这类边界样本反而能帮助模型学习类别间的区分特征，提升泛化精度。以下是几种实用的处理方法：

• 软标签（模糊标签）训练
  对无法明确归属的样本，分配概率化的软标签：比如分不清back和right的样本，就给right和back各分配0.5的权重，其余标签权重为0；分不清left和fore的样本同理。训练时用交叉熵损失直接计算软标签的损失，让模型学习到样本的模糊性，避免硬标签带来的噪声干扰，同时保留边界样本的信息。

• 半监督学习利用无/弱标签样本
  将明确标注的样本作为有标签数据集，不确定的样本作为无标签数据集，采用半监督算法训练：

  • 伪标签（Pseudo Label）：先用有标签样本训练基准模型，再用模型给无标签样本预测标签，筛选出置信度高于阈值（比如0.9）的伪标签样本，和有标签样本一起迭代训练；
  • 一致性正则化（如Mean Teacher模型）：训练两个模型（教师/学生），对无标签样本做轻微数据增强后，要求两个模型的预测结果一致，强迫模型学习到更鲁棒的特征，减少模糊样本的干扰。

• 主动学习补充标注
  如果有额外的标注资源，可优先对这些不确定样本重新标注：利用模型的预测置信度（比如预测概率最高的两个类别差值极小的样本）筛选出最模糊的样本，集中人力标注，用最低的成本提升数据集的标注质量。

• 针对性数据增强辅助
  对模糊样本做针对性的角度变换、裁剪等数据增强，生成更多类似的边界样本，让模型接触到更多类别交界的情况，帮助模型学习区分细微的方向差异，结合上述方法一起训练效果更好。

当然，如果模糊样本的占比极高（超过总样本的30%），且标注成本极低，或者你使用的是简单的线性分类器，直接剔除这类样本可以快速避免噪声干扰，减少训练复杂度。但大多数场景下，利用这些边界样本能让模型的分类精度和泛化能力更优。

内容的提问来源于stack exchange，提问作者Alican Kartal