BiSTF：用于半监督大规模细粒度识别的双分支自训练框架
计算机视觉与模式识别
2021-07-15 v1
摘要
半监督细粒度识别因数据不平衡、高类间相似性与域失配而是一项具有挑战性的任务。近年来，该领域取得了巨大进展，许多方法获得了优异性能。然而，这些方法很难推广到大规模数据集（如 Semi-iNat），因为它们易受未标记数据中噪声的影响，且无力从不平衡的细粒度数据中学习特征。在本工作中，我们提出双边分支自训练框架（BiSTF），一种简单而有效的框架，用于改进现有半监督学习（SSL）方法在类不平衡与域偏移细粒度数据上的表现。通过随机轮次更新调整更新频率，BiSTF 以标记集扩展（通过从未标记集中选择性添加伪标记样本，且伪标记样本分布与标记数据相同）迭代重训练基线 SSL 模型。我们表明 BiSTF 在 Semi-iNat 数据集上优于现有最先进的 SSL 算法。
引用
@article{arxiv.2107.06768,
title = {BiSTF: Bilateral-Branch Self-Training Framework for Semi-Supervised Large-scale Fine-Grained Recognition},
author = {Hao Chang and Guochen Xie and Jun Yu and Qiang Ling},
journal= {arXiv preprint arXiv:2107.06768},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2102.09559 by other authors