基于邻居感知的实例精炼，用于跨模态检索，处理噪声标签

本文解决了跨模态检索中噪声标签的问题，这是多模态数据分析中的一个常见问题。它提出了一个新颖的框架NIRNL，通过基于邻居共识和定制优化策略来精炼实例，从而提高检索性能。主要贡献在于能够有效地处理噪声数据并取得最先进的结果。

• •解决了跨模态检索中噪声标签的问题。
• •提出了一个用于鲁棒学习的新框架NIRNL。
• •采用了跨模态边距保持 (CMP) 和邻居感知实例精炼 (NIR)。
• •在基准数据集上实现了最先进的性能。