划分与集成：面向未知数据的渐进式学习
人工智能
2023-10-10 v1 计算机视觉与模式识别
摘要
在小麦养分缺乏分类挑战赛中，我们提出划分与集成(DEEM)方法用于测试数据的渐进式预测。我们发现：(1) 挑战赛提供了测试图像；(2) 样本附带其采集日期；(3) 不同日期的样本呈现显著差异性。基于上述发现，我们按日期将数据集划分为离散组，并在每个划分组上训练模型。随后采用伪标注方法为测试数据打标，并将高置信度样本并入训练集。在伪标注中，我们利用不同架构的模型集成以增强预测可靠性。伪标注与集成模型训练被迭代执行直至所有测试样本被标注。最终，将各组的分离模型统一以获得整体数据集的模型。我们的方法取得平均 93.6% Top-1 测试准确率（WW2020 上 94.0%、WR2021 上 93.2%），并在 Deep Nutrient Deficiency Challenge~\footnote{https://cvppa2023.github.io/challenges/} 中荣获第一名。
引用
@article{arxiv.2310.05425,
title = {Divide and Ensemble: Progressively Learning for the Unknown},
author = {Hu Zhang and Xin Shen and Heming Du and Huiqiang Chen and Chen Liu and Hongwei Sheng and Qingzheng Xu and MD Wahiduzzaman Khan and Qingtao Yu and Tianqing Zhu and Scott Chapman and Zi Huang and Xin Yu},
journal= {arXiv preprint arXiv:2310.05425},
year = {2023}
}