基于不变/等变半监督学习的部分标记数据上的多任务学习
计算机视觉与模式识别
2026-05-19 v1 人工智能
机器学习
摘要
我们探讨了不变和等变半监督学习在应对在部分标记数据上训练多任务模型的潜力，这些模型具有不同结构的输出任务。具体而言，我们使用流行的 FixMatch 方法进行不变半监督学习及其等变扩展 Dense FixMatch。我们在 Cityscapes 和 BDD100K 数据集上进行评估，围绕计算机视觉中普遍的目标检测和语义分割任务。我们考虑每种任务注释子集的不同大小以及它们之间的不同重叠情况。我们的结果表明，针对不变和等变半监督学习都优于监督基线，尤其是在标记样本较少时观察到最显著的改进，而后者方法通常表现更好。我们的研究表明，不变/等变学习是多任务学习从有限标记数据中获得知识的有前景的通用方向。
引用
@article{arxiv.2605.17624,
title = {Multi-task learning on partially labeled datasets via invariant/equivariant semi-supervised learning},
author = {Miquel Martí i Rabadán and Alessandro Pieropan and Hossein Azizpour and Atsuto Maki},
journal= {arXiv preprint arXiv:2605.17624},
year = {2026}
}
备注
https://github.com/miquelmarti/DenseFixMatch