角度间隔：通过模型校准降低图像难度的不确定性
计算机视觉与模式识别
2022-07-19 v1
摘要
课程学习需要样本难度以从易到难推进。然而，图像难度的可信度很少被研究，这会严重影响课程的有效性。本工作中，我们提出 Angular Gap，一种基于超球面学习中构建的特征嵌入与类权嵌入之间角距离差异的难度度量。为确定难度估计，我们将类级模型校准作为一种训练后技术引入所学双曲空间。这弥合了概率模型校准与超球面学习的角距离估计之间的鸿沟。我们在 CIFAR10-H 和 ImageNetV2 上展示了校准后的 Angular Gap 优于近期难度度量。我们进一步提出基于 Angular Gap 的课程学习用于无监督域适应，可从学习简单样本过渡到挖掘困难样本。我们将此课程与最先进的自训练方法 Cycle Self Training（CST）结合。所提出的 Curricular CST 学习鲁棒表征，并在 Office31 和 VisDA 2017 上优于近期基线。
引用
@article{arxiv.2207.08525,
title = {Angular Gap: Reducing the Uncertainty of Image Difficulty through Model Calibration},
author = {Bohua Peng and Mobarakol Islam and Mei Tu},
journal= {arXiv preprint arXiv:2207.08525},
year = {2022}
}
备注
13 pages