基于深度度量学习的半监督回归与交替学习
计算机视觉与模式识别
2023-01-24 v2 机器学习
摘要
本文提出一种新颖的基于深度度量学习的半监督回归（DML-S2R）方法，用于参数估计问题。所提出的 DML-S2R 方法旨在不收集任何带目标值的额外样本的情况下，缓解标注样本数量不足的问题。为此，该方法由两个主要步骤组成：i) 利用稀缺标注数据进行成对相似性建模；ii) 利用丰富无标注数据进行基于三元组的度量学习。第一步旨在通过使用少量标注样本来建模样本间的成对相似性，这是通过用孪生神经网络（SNN）估计标注样本的目标值差异来实现的。第二步旨在当标注样本数量不足时，学习一个基于三元组的度量空间（其中相似样本彼此接近，不相似样本彼此远离），这是通过采用第一步的 SNN 进行基于三元组的深度度量学习来实现的，该学习不仅利用标注样本，还利用无标注样本。对于 DML-S2R 的端到端训练，我们研究了一种用于这两个步骤的交替学习策略。由于该策略，每一步中编码的信息成为另一步学习阶段的指导。实验结果证实了 DML-S2R 相较于最先进的半监督回归方法的成功。所提方法的代码公开于 https://git.tu-berlin.de/rsim/DML-S2R。
引用
@article{arxiv.2202.11388,
title = {Deep Metric Learning-Based Semi-Supervised Regression With Alternate Learning},
author = {Adina Zell and Gencer Sumbul and Begüm Demir},
journal= {arXiv preprint arXiv:2202.11388},
year = {2023}
}
备注
Accepted at IEEE International Conference on Image Processing (ICIP) 2022. Our code is available at https://git.tu-berlin.de/rsim/DML-S2R