新颖度如何影响面向新类检索的半监督表示学习
计算机视觉与模式识别
2022-08-18 v1 人工智能
摘要
基于深度网络的有监督表示学习易过拟合训练类，对新类的泛化是具挑战性的问题。通常在相同训练类的留出图像上评估所学嵌入。然而在实际应用中，数据来自新来源且新类可能出现。我们假设，以半监督方式在训练集中纳入新类无标签图像，相较于朴素有监督表示，将有利于新类图像的高效检索。为全面验证该假设，我们提出一种原创评估方法，通过随机或语义（即最小化基类与新类间共享语义）按类别划分数据集，来改变新类的新颖度。该评估流程可在无任何新类标签情况下训练表示，并在基类或新类检索上评估冻结表示。我们发现朴素有监督表示在新类检索上表现不足，且语义鸿沟越大越甚。半监督算法可部分弥合此性能差距，但仍有很大改进空间。
引用
@article{arxiv.2208.08217,
title = {How does the degree of novelty impacts semi-supervised representation learning for novel class retrieval?},
author = {Quentin Leroy and Olivier Buisson and Alexis Joly},
journal= {arXiv preprint arXiv:2208.08217},
year = {2022}
}