CReST：面向不平衡半监督学习的类重平衡自训练框架
计算机视觉与模式识别
2021-06-18 v2
摘要
类不平衡数据上的半监督学习虽是现实问题，却研究不足。尽管已知的现有半监督学习（SSL）方法在少数类上表现不佳，我们发现它们仍在少数类上生成高精度的伪标签。利用这一性质，本文提出类重平衡自训练（CReST），一种简单而有效的框架，用于改进现有 SSL 方法在类不平衡数据上的表现。CReST 迭代地用扩展的标注集重新训练基线 SSL 模型，该标注集通过从非标注集中添加伪标注样本来扩充，其中根据估计的类别分布更频繁地选择来自少数类的伪标注样本。我们还提出一种渐进式分布对齐以自适应调整重平衡强度，称为 CReST+。我们表明 CReST 和 CReST+ 在各种类不平衡数据集上改进了最先进的 SSL 算法，并一致优于其他流行的重平衡方法。代码已发布于 https://github.com/google-research/crest。
引用
@article{arxiv.2102.09559,
title = {CReST: A Class-Rebalancing Self-Training Framework for Imbalanced Semi-Supervised Learning},
author = {Chen Wei and Kihyuk Sohn and Clayton Mellina and Alan Yuille and Fan Yang},
journal= {arXiv preprint arXiv:2102.09559},
year = {2021}
}
备注
To appear in CVPR 2021. Code release: https://github.com/google-research/crest