细粒度对抗半监督学习
计算机视觉与模式识别
2021-10-13 v1
摘要
本文利用半监督学习(SSL)增加训练数据量以提升细粒度视觉分类(FGVC)性能。尽管FGVC需要高昂的标注成本,该问题过去未被研究。我们的方法利用未标注数据与对抗优化策略,其中内部特征表示由二阶池化模型获得。这种组合使得在对抗训练设置中,由二阶池化表示的部件信息能够反向传播到未标注数据上。我们通过在六个最先进的细粒度数据集(包括Aircrafts、Stanford Cars、CUB-200-2011、Oxford Flowers、Stanford Dogs以及近期的半监督iNaturalist-Aves)上进行实验证明了该组合使用的有效性。实验结果清楚表明,我们提出的方法比此前唯一研究该问题的方法性能更优;与我们所比较的监督学习方法相比,它也获得了更高的分类准确率。
引用
@article{arxiv.2110.05848,
title = {Fine-Grained Adversarial Semi-supervised Learning},
author = {Daniele Mugnai and Federico Pernici and Francesco Turchini and Alberto Del Bimbo},
journal= {arXiv preprint arXiv:2110.05848},
year = {2021}
}