从无标注数据中进行的对抗式知识迁移
计算机视觉与模式识别
2020-08-14 v1
摘要
尽管机器学习方法在视觉识别方面前景广阔，但现有大多数方法严重依赖于大量标注训练数据的可用性。然而，在绝大多数现实场景中，由于标注数据的成本或特定领域数据的匮乏，手动收集如此大规模标注数据集是不可行的。本文提出一种新颖的对抗式知识迁移（AKT）框架，用于从互联网规模的无标注数据中迁移知识，以提升给定视觉识别任务上分类器的性能。所提出的对抗学习框架将无标注源数据的特征空间与有标注目标数据对齐，从而可使用目标分类器在源数据上预测伪标签。我们方法的一个重要新颖之处在于，无标注源数据可以与有标注目标数据属于不同类别，并且与一些现有方法不同，无需定义单独的 pretext 任务。大量实验充分表明，使用我们的方法学习的模型在多个标准数据集的各类视觉识别任务上都具有很大潜力。
引用
@article{arxiv.2008.05746,
title = {Adversarial Knowledge Transfer from Unlabeled Data},
author = {Akash Gupta and Rameswar Panda and Sujoy Paul and Jianming Zhang and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2008.05746},
year = {2020}
}
备注
Accepted to ACM Multimedia 2020