利用对比学习的伪标签关联数据分离、视觉分离与分类器性能
机器学习
2023-02-07 v1
摘要
缺乏监督数据是训练深度神经网络（DNN）时的一个问题，尤其是在考虑监督成本高昂的医学和生物学数据时。最近，嵌入式伪标签（EPL）通过使用从 DNN 特征空间到 2D 空间的非线性投影（t-SNE），随后使用基于连通性的方法（OPFSemi）进行半监督标签传播，解决了这一问题。我们认为最终分类器的性能取决于潜空间中存在的数据分离和投影中存在的视觉分离。我们通过以下方式解决这一问题：首先提出使用对比学习通过两种方法（SimCLR 和 SupCon）及其组合来为 EPL 生成潜空间；其次，通过大量实验展示了上述数据分离、视觉分离与分类器性能之间的相关性。我们通过对五个人类肠道寄生虫的真实挑战性图像数据集进行分类来展示我们的结果，其中仅使用了 1% 的监督样本。
引用
@article{arxiv.2302.02663,
title = {Linking data separation, visual separation, and classifier performance using pseudo-labeling by contrastive learning},
author = {Bárbara Caroline Benato and Alexandre Xavier Falcão and Alexandru-Cristian Telea},
journal= {arXiv preprint arXiv:2302.02663},
year = {2023}
}
备注
10 pages, 4 figures