线索引入：利用分布外数据的半监督细粒度视觉分类
计算机视觉与模式识别
2021-12-07 v1
摘要
尽管细粒度视觉分类（FGVC）已取得巨大进展，当前方法仍严重依赖需要大量专家标注的全监督范式。半监督学习（SSL）技术从未标注数据中获取知识，提供了一条重要前进路径，并在粗粒度问题上展现出巨大潜力。然而，现有SSL范式大多假设无标注数据为分布内（即类别对齐）数据，这阻碍了它们在FGVC上被重新提出时的有效性。本文提出一种新颖设计，专门旨在使分布外数据服务于半监督FGVC，即“将它们引入线索”。我们基于一个重要假设：所有细粒度类别自然遵循层级结构（例如涵盖所有鸟类的“Aves”系统发育树）。由此，我们不再对单个样本进行操作，而是将该树结构内的样本关系预测作为SSL的优化目标。此外，我们进一步引入了由这些树结构独特带来的两种策略，以实现样本间一致性正则化和可靠的伪关系。实验结果表明：（i）所提方法对分布外数据具有良好的鲁棒性；（ii）它可与已有方法结合，提升其性能从而取得最先进（state-of-the-art）结果。代码见 https://github.com/PRIS-CV/RelMatch。
引用
@article{arxiv.2112.02825,
title = {Clue Me In: Semi-Supervised FGVC with Out-of-Distribution Data},
author = {Ruoyi Du and Dongliang Chang and Zhanyu Ma and Yi-Zhe Song and Jun Guo},
journal= {arXiv preprint arXiv:2112.02825},
year = {2021}
}