用于半监督图像分类的带学习原型的流形图

半监督学习方法的最新进展依赖于使用在标注数据上训练的模型估计未标注数据的类别（伪标注），并将未标注数据用于各种基于一致性的正则化。在这项工作中，我们提出基于在特征空间内图像实例上构建的流形图，显式地利用数据流形的结构。具体而言，我们提出了一种基于图网络的架构，以端到端的方式联合优化特征提取、图连接性以及向未标注数据的特征传播和聚合。此外，我们提出了一种新颖的原型生成器，用于产生一组紧凑表示每个类别的多样化原型，从而支持特征传播。为评估我们的方法，我们首先贡献了一个强大的基线，该基线结合了两种基于一致性的正则化器，已在标签较少的情况下取得了最先进的结果。然后我们展示，当与这些正则化器结合时，所提出的方法促进了信息从生成的原型传播到图像数据，以进一步改善结果。我们在半监督基准上提供了广泛的定性和定量实验结果，证明了我们设计带来的改进，并表明我们的方法在使用单一模型时与现有方法相比达到了最先进的性能，且与集成方法相当。具体而言，我们在SVHN上达到3.35%的错误率，在CIFAR-10上达到8.27%，在CIFAR-100上达到33.83%。在标签少得多的情况下，我们以平均相对误差降低41%的显著幅度超越了现有最佳水平。