面向开集半监督学习的多任务课程框架
计算机视觉与模式识别
2020-07-23 v1
摘要
半监督学习(SSL)被提出用于在仅有有限标注数据可用时利用无标注数据训练强大的模型。现有SSL方法假设标注数据与无标注数据中的样本共享其样本类别,我们则处理一种更复杂的新场景,称为开集SSL,其中无标注数据包含分布外(OOD)样本。我们提出一个多任务课程学习框架,而非单独训练OOD检测器和SSL。首先,为检测无标注数据中的OOD样本,我们估计样本属于OOD的概率。我们使用联合优化框架,交替更新网络参数与OOD分数。同时,为在分布内(ID)数据的分类上取得高性能,我们选取无标注数据中OOD分数较小的ID样本,并将这些数据与标注数据一起用于以半监督方式训练深度神经网络以分类ID样本。我们进行了若干实验,所提方法通过成功消除OOD样本的影响取得了最先进(state-of-the-art)的结果。
引用
@article{arxiv.2007.11330,
title = {Multi-Task Curriculum Framework for Open-Set Semi-Supervised Learning},
author = {Qing Yu and Daiki Ikami and Go Irie and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:2007.11330},
year = {2020}
}
备注
ECCV 2020