用于半监督分类的增广学习
计算机视觉与模式识别
2022-08-04 v1
摘要
近来涌现出许多新的半监督学习方法。随着 ImageNet 及类似数据集上的准确率随时间提高，在自然图像分类之外的任务上的性能尚待探索。大多数半监督学习方法依赖于精心手动设计的数据增广流程，该流程无法迁移到其他领域图像的学习中。本工作中，我们提出一种半监督学习方法，可自动为特定数据集选择最有效的数据增广策略。我们基于 FixMatch 方法构建，并通过增广的元学习对其进行扩展。增广在分类训练之前的额外训练中学习，并利用双层优化来优化增广策略并最大化准确率。我们在两个特定领域数据集（包含卫星图像和手绘草图）上评估了我们的方法，并取得了最先进的结果。我们进一步通过消融实验研究了与学习增广策略相关的不同参数，并展示了策略学习如何用于使增广适应 ImageNet 以外的数据集。
引用
@article{arxiv.2208.01956,
title = {Augmentation Learning for Semi-Supervised Classification},
author = {Tim Frommknecht and Pedro Alves Zipf and Quanfu Fan and Nina Shvetsova and Hilde Kuehne},
journal= {arXiv preprint arXiv:2208.01956},
year = {2022}
}
备注
Accepted to GCPR 2022, 13 pages with 4 figures