基于Mixup的不完全监督深度度量学习方法
机器学习
2022-08-30 v3 计算机视觉与模式识别
摘要
深度学习架构在不同领域（如医学、农业和安防）取得了有前景的结果。然而，由于训练期间需要大量标注数据集合，在许多实际应用中使用这些强大技术变得具有挑战性。若干工作已寻求解决方案以克服该问题，提出能够以更少数据学习更多的策略，例如弱监督和半监督学习方法。由于这些方法通常未解决过拟合和对抗样本敏感性问题，本文提出了三种结合Mixup用于不完全监督场景的深度度量学习方法。我们表明，度量学习中一些最先进的（SOTA）方法在此类场景中可能表现不佳。此外，所提方法在不同数据集上优于其中大多数方法。
引用
@article{arxiv.2204.13572,
title = {Mixup-based Deep Metric Learning Approaches for Incomplete Supervision},
author = {Luiz H. Buris and Daniel C. G. Pedronette and Joao P. Papa and Jurandy Almeida and Gustavo Carneiro and Fabio A. Faria},
journal= {arXiv preprint arXiv:2204.13572},
year = {2022}
}
备注
5 pages, 1 figure, accepted for presentation at the ICIP2022