探究类内变异性在时间集成中的影响
计算机视觉与模式识别
2020-08-24 v2 机器学习
机器学习
摘要
时间集成（Temporal Ensembling）是一种半监督方法，允许使用少量标注图像训练深度神经网络模型。在本文中，我们展示了关于类内变异性对时间集成影响的初步研究，分别关注种子规模和种子类型。通过实验我们发现：(a) 在具有高类内变异性的数据集上准确率显著下降；(b) 更多的种子图像在各数据集上一致地提供更高的准确率；(c) 种子类型确实对整体效率有影响，其产生从较低到较高的准确率谱。此外，基于我们的实验，我们还发现 KMNIST 是时间集成的一个有竞争力的基线。
引用
@article{arxiv.2008.08956,
title = {Investigating the Effect of Intraclass Variability in Temporal Ensembling},
author = {Siddharth Vohra and Manikandan Ravikiran},
journal= {arXiv preprint arXiv:2008.08956},
year = {2020}
}
备注
Preliminary Results; More Experiments to be added