HybridNet：用于半监督学习的分类与重建协作模型
机器学习
2018-07-31 v1 机器学习
摘要
本文提出一种利用无标签数据提升图像分类器泛化性能的新模型：一种称为 HybridNet 的双分支编码器-解码器架构。第一分支接收监督信号，致力于提取不变的与类别相关的表示。第二分支完全无监督，致力于对第一分支丢弃的信息建模以重建输入数据。为进一步支持模型的预期行为，我们提出一种原创的训练目标。它促进判别分支中的稳定性以及两分支所学表示之间的互补性。HybridNet 在各种半监督设定下能够在 CIFAR-10、SVHN 和 STL-10 上超越 SOTA 结果。此外，可视化与消融研究在 CIFAR-10 和 STL-10 数据集上验证了我们的贡献及模型的行为。
引用
@article{arxiv.1807.11407,
title = {HybridNet: Classification and Reconstruction Cooperation for Semi-Supervised Learning},
author = {Thomas Robert and Nicolas Thome and Matthieu Cord},
journal= {arXiv preprint arXiv:1807.11407},
year = {2018}
}
备注
Accepted at ECCV 2018