EnAET：一种基于集成变换的自训练半监督与监督学习框架
计算机视觉与模式识别
2021-02-02 v2
摘要
深度神经网络已成功应用于许多现实世界的应用中。然而，此类成功严重依赖于大量标注数据，而获取这些数据的成本很高。近年来，许多半监督学习方法被提出并取得了优异的性能。在本研究中，我们提出一种新的 EnAET 框架，利用自监督信息进一步改进现有的半监督方法。据我们所知，当前所有半监督方法均通过预测一致性与置信度思想来提升性能。我们首次在丰富的变换族下探索了自监督表示在半监督学习中的作用。因此，我们的框架能够将自监督信息作为正则化项集成，以进一步改进所有当前的半监督方法。在实验中，我们使用当前半监督学习中最先进的方法 MixMatch 作为基线来测试所提出的 EnAET 框架。在不同数据集上，我们采用相同的超参数，这大大提升了 EnAET 框架的泛化能力。在不同数据集上的实验结果表明，所提出的 EnAET 框架显著提升了当前半监督算法的性能。此外，该框架还能大幅提升监督学习的性能，包括每类仅 10 张图像的极具挑战性的场景。代码与实验记录可在 \url{https://github.com/maple-research-lab/EnAET} 获取。
引用
@article{arxiv.1911.09265,
title = {EnAET: A Self-Trained framework for Semi-Supervised and Supervised Learning with Ensemble Transformations},
author = {Xiao Wang and Daisuke Kihara and Jiebo Luo and Guo-Jun Qi},
journal= {arXiv preprint arXiv:1911.09265},
year = {2021}
}
备注
10 pages, 3 figures, conference