改进伪标签生成并增强鲁棒性以实现半监督领域泛化
计算机视觉与模式识别
2024-09-26 v2
摘要
除了实现领域泛化（DG）之外，视觉识别模型在学习过程中还应通过利用有限标签实现数据高效。我们研究了半监督领域泛化（SSDG）问题，这对于自动化医疗等现实应用至关重要。SSDG 要求在给定训练数据仅部分标注的情况下，学习一个跨领域泛化的模型。实证研究表明，DG 方法在 SSDG 设置下往往表现不佳，这可能是因为它们无法利用未标注数据。半监督学习（SSL）虽然表现出改进，但与全监督学习相比结果仍然较差。表现最佳的基于 SSL 的 SSDG 方法面临的一个关键挑战是，在多个领域偏移下选择准确的伪标签，并在有限标签下减少对源域的过拟合。在这项工作中，我们提出了新的 SSDG 方法，该方法利用了一种新颖的带有模型平均的不确定性引导伪标签生成（UPLM）。我们的不确定性引导伪标签生成（UPL）利用模型不确定性来改进伪标签选择，解决了多源未标注数据下模型校准不佳的问题。通过我们新颖的模型平均（MA）策略增强的 UPL 技术，缓解了在有限标签下对源域的过拟合。在关键代表性 DG 数据集上的大量实验表明，我们的方法相对于现有方法展现了有效性。我们的代码和选定的标注数据种子可在 GitHub 上获取：https://github.com/Adnan-Khan7/UPLM
引用
@article{arxiv.2401.13965,
title = {Improving Pseudo-labelling and Enhancing Robustness for Semi-Supervised Domain Generalization},
author = {Adnan Khan and Mai A. Shaaban and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2401.13965},
year = {2024}
}