HIERMATCH：利用标签层次结构改进半监督学习
计算机视觉与模式识别
2021-12-22 v2
摘要
半监督学习方法已成为应对获取大量标注数据挑战的一个活跃研究领域。为改进半监督学习方法性能这一目标，我们提出了一种新颖框架 HIERMATCH，一种利用层次信息降低标注成本且性能与朴素半监督学习方法相当的半监督方法。层次信息常作为先验知识以粗标签（例如啄木鸟）形式提供给具有细粒度标签（例如绒啄木鸟或金额啄木鸟）的图像。然而，利用粗类别标签的监督来改进半监督技术尚未被探索。在缺乏细粒度标签的情况下，HIERMATCH 利用标签层次并使用粗类标签作为弱监督信号。此外，HIERMATCH 是改进任意半监督学习框架的通用方法，我们使用近期最先进技术 MixMatch 和 FixMatch 的结果证明了这一点。我们在两个基准数据集即 CIFAR-100 和 NABirds 上评估了 HIERMATCH 的效力。与 MixMatch 相比，HIERMATCH 在 CIFAR-100 上可将细粒度标签使用量减少 50%，而 top-1 准确率仅边际下降 0.59%。代码：https://github.com/07Agarg/HIERMATCH
引用
@article{arxiv.2111.00164,
title = {HIERMATCH: Leveraging Label Hierarchies for Improving Semi-Supervised Learning},
author = {Ashima Garg and Shaurya Bagga and Yashvardhan Singh and Saket Anand},
journal= {arXiv preprint arXiv:2111.00164},
year = {2021}
}
备注
11 pages, 1 figure, Accepted in WACV 2022