十亿规模半监督学习用于图像分类
计算机视觉与模式识别
2019-05-03 v1
摘要
本文提出了一项关于使用大型卷积网络进行半监督学习的研究。我们提出了一种基于教师/学生范式的流水线，其利用了大规模未标注图像集合（多达 10 亿张）。我们的主要目标是提升给定目标架构（如 ResNet-50 或 ResNext）的性能。我们对所提方法成功因素进行了深入分析，从而得出一些用半监督学习生成高精度图像分类模型的建议。结果表明，我们的方法为标准图像、视频和细粒度分类架构带来了重要增益。例如，通过利用十亿张未标注图像，我们学习的原始 ResNet-50 在 ImageNet 基准上达到了 81.2% 的 top-1 准确率。
引用
@article{arxiv.1905.00546,
title = {Billion-scale semi-supervised learning for image classification},
author = {I. Zeki Yalniz and Hervé Jégou and Kan Chen and Manohar Paluri and Dhruv Mahajan},
journal= {arXiv preprint arXiv:1905.00546},
year = {2019}
}