超越猫与狗：基于过聚类的模糊标签半监督分类
计算机视觉与模式识别
2021-10-20 v2
摘要
深度学习的一个长期问题是需要大量且标注一致的数据集。尽管当前半监督学习的研究可将所需标注数据量减少至十分之一甚至更多，但这条研究路线仍使用如猫和狗般界限分明的类别。然而，在现实世界中我们经常遇到问题，其中不同专家有不同意见，从而产生模糊标签。我们提出了一种处理此类模糊标签半监督分类的新框架。我们的框架基于过聚类以检测这些模糊标签中的子结构。我们提出了一种新损失以提升框架的过聚类能力，并在常用图像分类数据集 STL-10 上表明其比先前工作更快且有过聚类性能优势。在一个真实世界浮游生物数据集上，我们展示了过聚类对模糊标签的益处，并表明我们击败了先前最先进的半监督方法。此外，我们获得了高出 5% 至 10% 的子结构一致预测。
引用
@article{arxiv.2012.01768,
title = {Beyond Cats and Dogs: Semi-supervised Classification of fuzzy labels with overclustering},
author = {Lars Schmarje and Johannes Brünger and Monty Santarossa and Simon-Martin Schröder and Rainer Kiko and Reinhard Koch},
journal= {arXiv preprint arXiv:2012.01768},
year = {2021}
}
备注
Reworked version available at arXiv:2110.06630, Published in Sensors 2021 (see DOI link)