对抗噪声：基于区域不确定性量化的半监督学习
计算机视觉与模式识别
2021-11-02 v1
摘要
半监督学习旨在利用大量无标签数据来提升性能。现有工作主要关注图像分类。本文深入研究面向目标检测的半监督学习，其中标注数据的收集更为耗费人力。当前方法容易被伪标签生成的噪声区域干扰。为对抗噪声标注，我们提出通过量化区域不确定性来实现抗噪声的半监督学习。我们首先研究了与伪标签相关的不同形式噪声所带来的负面影响。随后，我们提出通过识别区域在不同强度下的抗噪声特性来量化区域的不确定性。通过引入区域不确定性量化并促使多峰概率分布输出，我们将不确定性引入训练过程，进一步实现抗噪声学习。在 PASCAL VOC 和 MS COCO 上的实验均证明了我们方法的优异性能。
引用
@article{arxiv.2111.00928,
title = {Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification},
author = {Zhenyu Wang and Yali Li and Ye Guo and Shengjin Wang},
journal= {arXiv preprint arXiv:2111.00928},
year = {2021}
}
备注
Accepted by NeurIPS 2021