深度学习在各种任务中都优于其他机器学习算法，因此，它被广泛使用。但是，像其他机器学习算法，深度学习和卷积神经网络（CNN）一样，当数据集呈现标签噪声时，表现较差。因此，重要的是开发算法来帮助训练深网及其对无噪声测试集的概括。在本文中，我们提出了针对称为Rafni的标签噪声的强大训练策略，可与任何CNN一起使用。该算法过滤器和重新标记培训实例基于训练过程中主干神经网络的预测及其概率。这样，该算法会自行提高CNN的概括能力。拉夫尼（Rafni）由三种机制组成：两种过滤实例的机制和一种重新标记实例的机制。另外，它不认为噪声速率是已知的，也不需要估计。我们使用多种尺寸和特征的不同数据集评估了算法。我们还使用CIFAR10和CIFAR100基准在不同类型和标签噪声的速率下使用CIFAR10和CIFAR100基准进行了比较，发现Rafni在大多数情况下都能取得更好的结果。