用于深度半监督视觉识别的密度感知图
计算机视觉与模式识别
2020-03-31 v1
摘要
半监督学习（SSL）已被广泛研究以提升深度神经网络在视觉识别中的泛化能力。为利用无标注数据，多数现有SSL方法基于常见的基于密度的聚类假设：位于同一高密度区域的样本可能属于同一类，包括执行一致性正则化或为无标注图像生成伪标签的方法。尽管性能令人印象深刻，我们认为存在三个局限：1) 尽管密度信息被证明是重要线索，它们均以隐式方式使用而未深入挖掘。2) 对于特征学习，常基于单个数据样本学习特征嵌入而忽略邻域信息。3) 对于基于标签传播的伪标签生成，常离线进行且难以与特征学习端到端训练。受这些局限驱动，本文提出通过构建新颖的密度感知图来解决SSL问题，基于此可轻松利用邻域信息，且特征学习与标签传播也可端到端训练。具体地，我们首先提出新的密度感知邻域聚合（DNA）模块，通过以密度感知方式融入邻域信息来学习更具判别性的特征。然后提出新颖的基于密度升路径的标签传播（DPLP）模块，依据由密度刻画的特征分布更高效地为无标注样本生成伪标签。最终，DNA模块与DPLP模块端到端地相互演进与提升。
引用
@article{arxiv.2003.13194,
title = {Density-Aware Graph for Deep Semi-Supervised Visual Recognition},
author = {Suichan Li and Bin Liu and Dongdong Chen and Qi Chu and Lu Yuan and Nenghai Yu},
journal= {arXiv preprint arXiv:2003.13194},
year = {2020}
}
备注
Accepted by CVPR2020