OpenCoS：用于处理开放集无标签数据的对比半监督学习
计算机视觉与模式识别
2022-08-22 v3 机器学习
摘要
半监督学习（SSL）已成为在学得更好表征中融入少量标签的有力策略。本文关注一个实际场景：当无标签数据可能包含类外样本（即那些无法从标签数据的闭集类别中获得独热编码标签的样本，亦即无标签数据为开放集）时，如何应用 SSL。具体地，我们提出 OpenCoS，一个基于近期自监督视觉表征学习框架、用于处理该现实半监督学习场景的简易框架。我们首先观察到，开放集无标签数据集中的类外样本可通过自监督对比学习有效识别。随后，OpenCoS 利用该信息克服现有最优半监督方法的失效模式：对识别出的类内与类外无标签数据分别使用独热伪标签与软标签。我们广泛的实验结果表明，在类外样本存在下 OpenCoS 的有效性，其修正了最优半监督方法使之适用于涉及开放集无标签数据的多样场景。
引用
@article{arxiv.2107.08943,
title = {OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set Unlabeled Data},
author = {Jongjin Park and Sukmin Yun and Jongheon Jeong and Jinwoo Shin},
journal= {arXiv preprint arXiv:2107.08943},
year = {2022}
}
备注
ECCV Workshop on Learning from Limited and Imperfect Data, 2022. Code is available at https://github.com/alinlab/OpenCoS