通过有效利用所有未标记数据改进3D半监督学习
计算机视觉与模式识别
2024-09-24 v1
摘要
半监督学习（SSL）已展现出在利用大量未标记数据的同时从少量标记数据中学习有效 3D 表示的能力。传统的半监督方法依赖于为未标记数据预测伪标签并将其纳入学习过程的基本概念。然而，我们发现现有方法并未充分利用所有未标记样本，从而限制了其潜在性能。为了解决这个问题，我们提出了 AllMatch，一种基于 SSL 的 3D 分类新框架，能够有效利用所有未标记样本。AllMatch 包含三个模块：（1）自适应强增强模块，对损失值较低的高置信度未标记样本应用相对较强的增强，从而增强此类样本的贡献；（2）逆向学习模块，通过学习不该学习什么来进一步提高未标记数据的利用率；（3）对比学习模块，确保在监督和无监督设置下从所有样本中进行学习。在两个流行的 3D 数据集上的综合实验表明，在 1% 标记数据下性能提升了高达 11.2%，大幅超越了 SOTA。此外，AllMatch 展现了有效利用所有未标记数据的效率，表现为仅需 10% 的标记数据即可达到与使用所有标记数据的全监督学习几乎相同的性能。我们工作的代码可在以下地址获取：https://github.com/snehaputul/AllMatch。
引用
@article{arxiv.2409.13977,
title = {Improving 3D Semi-supervised Learning by Effectively Utilizing All Unlabelled Data},
author = {Sneha Paul and Zachary Patterson and Nizar Bouguila},
journal= {arXiv preprint arXiv:2409.13977},
year = {2024}
}
备注
Accepted at the European Conference on Computer Vision, ECCV 2024