基于理论保证的切比雪夫约束生成无偏伪标签以统一半监督分类与回归
计算机视觉与模式识别
2023-11-06 v1
摘要
半监督分类与回归对于计算机视觉而言都是实际中颇具挑战的任务。然而，半监督分类方法几乎未被应用于回归任务。这是因为分类中的阈值转伪标签过程（T2L）利用置信度来判断标签质量。该过程在分类任务中成功，但在回归任务中效率低下。本质上，回归同样需要无偏方法来生成高质量标签。另一方面，若置信度由有偏方法生成，分类的 T2L 往往会失效。为解决此问题，本文提出一种基于切比雪夫不等式的理论保证约束，用于生成无偏标签，结合多个预测从若干劣质预测中生成更优质量的标签。就高质量标签而言，该无偏方法自然规避了 T2L 的缺陷。特别地，我们提出一种具有多分支的无偏伪标签网络（UBPL network），将多个预测组合作为伪标签，并基于切比雪夫约束提出特征去相关损失（FD loss）。原则上，我们的方法可用于分类与回归，并可轻松扩展至任意半监督框架，例如 Mean Teacher、FixMatch、DualPose。我们的方法在姿态估计数据集 Mouse、FLIC 和 LSP，以及分类数据集 CIFAR10/100 和 SVHN 上均取得了优于 SOTA 的性能。
引用
@article{arxiv.2311.01782,
title = {Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression},
author = {Jiaqi Wu and Junbiao Pang and Qingming Huang},
journal= {arXiv preprint arXiv:2311.01782},
year = {2023}
}