通过自监督排序学习在 CNN 中利用无标记数据
计算机视觉与模式识别
2019-02-19 v1
摘要
对于许多应用而言，标记数据的收集昂贵且费力。因此，在训练期间利用无标记数据一直是机器学习长期追求的目标。自监督学习通过设定一个辅助任务（与监督任务不同但相关）来解决这一问题，该辅助任务的数据丰富可得。在本文中，我们展示了如何将排序用作某些回归问题的代理任务。作为另一贡献，我们提出了一种用于孪生网络的高效反向传播技术，可避免多分支网络架构带来的冗余计算。我们将我们的框架应用于两个回归问题：图像质量评价（IQA）和人群计数。对两者我们都展示了如何从无标记数据自动生成排序图像集。我们的结果表明，被训练为对标记数据回归至真实目标并同时学习对无标记数据排序的网络，在 IQA 和人群计数上均获得了显著更好的、最先进的结果。此外，我们表明在自监督代理任务上度量网络不确定性是无标记数据信息量的良好度量。这可用于驱动主动学习算法，并且我们表明这可将标注工作量减少多达 50%。
引用
@article{arxiv.1902.06285,
title = {Exploiting Unlabeled Data in CNNs by Self-supervised Learning to Rank},
author = {Xialei Liu and Joost van de Weijer and Andrew D. Bagdanov},
journal= {arXiv preprint arXiv:1902.06285},
year = {2019}
}
备注
Accepted at TPAMI. (Keywords: Learning from rankings, image quality assessment, crowd counting, active learning). arXiv admin note: text overlap with arXiv:1803.03095