基于条件生成对抗网络的协同监督学习范式用于样本高效分类
计算机视觉与模式识别
2022-12-29 v1 机器学习
摘要
使用监督学习的分类需要标注大量类别平衡的数据用于模型训练与测试。这在实践上限制了监督学习尤其是深度学习的应用范围。为解决数据有限且不平衡的问题，本文提出一种样本高效的协同监督学习范式（SEC-CGAN），其中条件生成对抗网络（CGAN）与分类器一同训练，并在训练过程中向标注数据补充语义条件化、置信度感知的合成样本。在此设定下，CGAN不仅充当协同监督者，还以提供互补的高质量样本以端到端方式辅助分类器训练。实验表明，所提SEC-CGAN优于外部分类器GAN（EC-GAN）与基线ResNet-18分类器。为比较起见，上述方法中所有分类器均采用ResNet-18架构作为骨干。特别地，对于街景门牌号数据集，使用5%的训练数据，SEC-CGAN取得了90.26%的测试准确率，而EC-GAN为88.59%、基线分类器为87.17%；对于高速公路图像数据集，使用10%的训练数据，SEC-CGAN取得了98.27%的测试准确率，相比之下EC-GAN为97.84%、基线分类器为95.52%。
引用
@article{arxiv.2212.13589,
title = {Co-supervised learning paradigm with conditional generative adversarial networks for sample-efficient classification},
author = {Hao Zhen and Yucheng Shi and Jidong J. Yang and Javad Mohammadpour Vehni},
journal= {arXiv preprint arXiv:2212.13589},
year = {2022}
}
备注
14 pages, 5 figures