FisherMatch：基于熵过滤的半监督旋转回归
计算机视觉与模式识别
2022-03-30 v1
摘要
从单张 RGB 图像估计 3DoF 旋转是一个重要且具有挑战性的问题。近期工作依赖大量昂贵获取的标注数据取得了良好性能。为减少监督量，我们首次提出了一个通用框架 FisherMatch，用于半监督旋转回归，且不假设任何领域特定知识或成对数据。受流行的半监督方法 FixMatch 启发，我们提出利用伪标签过滤在师生互学习框架中促进标注数据到未标注信息的信息流动。然而，将伪标签过滤机制引入半监督旋转回归绝非易事，主要由于缺少对旋转预测的可靠置信度度量。本工作中，我们提出利用矩阵 Fisher 分布建立旋转的概率模型，并设计基于矩阵 Fisher 的回归器联合预测旋转及其预测不确定性。我们进而提出使用预测分布的熵作为置信度度量，从而能够对旋转回归执行伪标签过滤。为监督此类分布型伪标签，我们进一步研究了如何对两个矩阵 Fisher 分布之间施加损失的问题。大量实验表明，我们的方法在不同基准上即便在极低标注数据比例下也能良好工作，相较监督学习与其他半监督学习基线取得显著且一致的性能提升。我们的项目页面位于 https://yd-yin.github.io/FisherMatch。
引用
@article{arxiv.2203.15765,
title = {FisherMatch: Semi-Supervised Rotation Regression via Entropy-based Filtering},
author = {Yingda Yin and Yingcheng Cai and He Wang and Baoquan Chen},
journal= {arXiv preprint arXiv:2203.15765},
year = {2022}
}
备注
CVPR2022 Oral