榨取 CowMask 用于半监督图像分类
计算机视觉与模式识别
2020-06-09 v3
摘要
一致性正则化是一种半监督学习技术，是若干少标注数据分类强结果的基础。其原理是鼓励所学模型对无标注数据上的扰动保持鲁棒。在此，我们提出一种名为 CowMask 的基于掩码的增强方法。用它为半监督一致性正则化提供扰动，我们在 ImageNet 上使用 10% 标注数据取得了当前最优结果，top-5 误差为 8.76%，top-1 误差为 26.06%。此外，我们所用方法比许多替代方案简单得多。我们通过在 SVHN、CIFAR-10 和 CIFAR-100 数据集上运行许多较小规模实验进一步研究 CowMask 在半监督学习中的行为，取得了与当前最优相竞争的结果，表明 CowMask 具有广泛适用性。我们在 https://github.com/google-research/google-research/tree/master/milking_cowmask 开源了代码。
引用
@article{arxiv.2003.12022,
title = {Milking CowMask for Semi-Supervised Image Classification},
author = {Geoff French and Avital Oliver and Tim Salimans},
journal= {arXiv preprint arXiv:2003.12022},
year = {2020}
}
备注
11 pages, 2 figures, submitted to NeurIPS 2020