PEPL: 半监督学习中用于细粒度图像分类的精度增强伪标签方法

随着深度学习和计算机视觉技术的出现,细粒度图像分类取得了显著进展。然而,详细标注的稀缺性仍然是一个主要挑战,尤其是在获取高质量标注数据成本高昂或耗时的场景中。为了解决这一局限性,我们引入了专为半监督学习框架内的细粒度图像分类设计的精度增强伪标签方法。我们的方法通过生成高质量伪标签来利用大量未标记数据,这些伪标签通过两个关键阶段逐步细化:初始伪标签生成和语义混合伪标签生成。这些阶段利用类激活图准确估计语义内容,并生成能够捕捉细粒度分类所需关键细节的精细化标签。通过关注语义级信息,我们的方法有效解决了标准数据增强和图像混合技术在保留关键细粒度特征方面的局限性。我们在基准数据集上取得了SOTA性能,相较于现有的半监督策略展现出显著提升,在准确率和鲁棒性方面均有明显提高。