Modelos de Deep Learning treinados com banco de dados bem anotados atingiram o estado da arte em tarefas de classificação de imagens, chegando até mesmo a superar o ser humano em diversas atividades. Entretanto, em problemas complexos de visão computacional, como por exemplo, classificação de imagens médicas ou de equipamentos de engenharia, a elaboração de banco de dados bem anotados é extremamente custosa, o que pode resultar em dados com informações incorretas (Noisy Samples). Dessa forma, é essencial aprender técnicas que possibilitam treinar modelos Deep Learning mesmo quando os dados anotados estão errados.
Nessa palestra será apresentado as principais técnicas utilizadas para permitir o aprendizado de Deep Learning sobre dados incorretos.
