如何检测以目录为标签的图像分类数据集中的误标注图像？

• 模型预测一致性校验：先训练一个基础图像分类模型，用它遍历整个数据集做预测。把模型预测类别和目录标注类别不匹配的图像拎出来重点排查，尤其是模型预测置信度很高但和标注不符的样本，基本都是误标注。
• 聚类分析：用预训练的特征提取模型（比如ResNet、VGG）把所有图像转换成特征向量，再用K-means这类聚类算法分组。如果同一目录里的图像被分到其他聚类组，或者不同目录的图像聚在了一起，这些异常样本就是可疑的误标注。
• 样本相似度比对：计算同一目录内图像的相似度，找出和同类别大部分样本相似度极低的图像；同时找不同目录间相似度极高的样本——跨目录高度相似的图像十有八九是归类错误。常用的指标有余弦相似度、结构相似性指数（SSIM）。
• 人工抽样复核：按比例随机抽取不同目录的样本，或者结合前面方法筛出来的可疑样本，由人工逐个检查。这是最直接的办法，适合小数据集或者对精度要求极高的场景。
• 主动学习式筛选：借鉴主动学习的思路，优先挑出模型最拿不准的样本（比如预测置信度接近0.5的）来人工检查。这类样本通常要么是误标注，要么是难分类的边缘样本，能高效定位问题。
• 统计特征异常检测：统计每个目录下图像的颜色分布、纹理、尺寸等统计特征，找出偏离该目录整体特征的图像。比如“猫”的目录里突然出现一堆蓝色调为主的图，大概率是误放的“海洋”类图片。

内容的提问来源于stack exchange，提问作者Yazid Hilmi