LiDAM：基于局部域适应与迭代匹配的半监督学习
机器学习
2020-11-25 v2 计算机视觉与模式识别
摘要
尽管数据丰富，但数据标注成本高昂。半监督学习方法将少量标注样本与大量未标注数据结合以有效训练模型。本文介绍我们提出的方法 LiDAM，一种根植于域适应和自步学习两者的半监督学习方法。LiDAM 首先执行局部域偏移以提取更好的域不变特征，从而使模型产生更准确的聚类和伪标签。然后使用基于高置信度预测上多数一致性的新颖迭代匹配技术，以自步方式将这些伪标签与真实类标签对齐。同时，训练最终分类器预测真实标签直至收敛。LiDAM 在 CIFAR-100 数据集上取得了最先进的性能，在使用 2500 个标签时优于 FixMatch（73.50% 对比 71.82%）。
引用
@article{arxiv.2010.06668,
title = {LiDAM: Semi-Supervised Learning with Localized Domain Adaptation and Iterative Matching},
author = {Qun Liu and Matthew Shreve and Raja Bala},
journal= {arXiv preprint arXiv:2010.06668},
year = {2020}
}