FeatMatch:基于特征的数据增强用于半监督学习
计算机视觉与模式识别
2020-07-17 v1 机器学习
摘要
近期最先进的半监督学习(SSL)方法将基于图像的变换与一致性正则化结合作为核心组件。然而,此类方法局限于简单变换,如传统数据增强或两幅图像的凸组合。本文中,我们提出一种新颖的基于特征的学习型精炼与增强方法,其产生一组多样的复杂变换。重要的是,这些变换还利用了我们通过聚类提取的类内与跨类原型表示的信息。我们使用已在各迭代中计算过的特征并将其存入记忆库,从而避免大量额外计算。这些变换与传统基于图像的增强结合,随后用作基于一致性的正则化损失的一部分。我们证明,我们的方法在较小数据集(CIFAR-10和SVHN)上与当前最优水平相当,同时能扩展到较大数据集如CIFAR-100和mini-ImageNet,并在其上取得相对于最优水平的显著增益(例如,在mini-ImageNet上绝对提升17.44%)。我们进一步在DomainNet上测试我们的方法,展示对域外无标签数据更好的鲁棒性,并进行严谨的消融与分析以验证该方法。
引用
@article{arxiv.2007.08505,
title = {FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning},
author = {Chia-Wen Kuo and Chih-Yao Ma and Jia-Bin Huang and Zsolt Kira},
journal= {arXiv preprint arXiv:2007.08505},
year = {2020}
}
备注
Paper accepted in ECCV 2020. Project page: https://sites.google.com/view/chiawen-kuo/home/featmatch